BAB IV. RUANG-RUANG VEKTOR EUCLIDEAN 4.

1 Ruang Euclidean Berdimensi n

Vektor-vektor di R n Definisi: Jika n adalah bilangan bulat positif, maka n-pasangan terurut adalah suatu barisan n buah bilangan riil (a1 , a2 ,..., an ) . Himpunan dari semua n-pasangan terurut disebut ruang-n dan dinotasikan dengan R n . r r Dua vector u = (u1 , u2 ,..., un ) & v = (v1 , v2 ,..., vn ) di R n adalah sama jika r r u1 = v1 , u2 = v2 ,..., un = vn . Jumlah u + v didefinisikan sebagai: r r ur ur uu r uu r r u + v = (u1 + v1 ,..., un + vn ) , & jika k adalah scalar, maka perkalian scalar ku r didefinisikan ku = ( ku1 , ku2 ,..., kun )

Operasi penjumlahan & perkalian scalar di atas disebut operasi standar pada R n . Vektor r r 0 di R n dinotasikan oleh 0 = (0, 0,..., 0) Ruang n Euclidean Definisi: r r Jika u = (u1 , u2 ,..., un ) & v = (v1 , v2 ,..., vn ) adalah vector-vektor di R n , maka Euclidean Inner Product u.v didefinisikan oleh:

rr

rr u.v = u1v1 + u2v2 + ... + un vn .

R n disebut Ruang-n Euclidean, apabila dilengkapi dengan operasi inner product euclidean
Norm & Jarak di Ruang-n Euclidean r Norm Euclidean dari suatu vector u = (u1,u2 ,..., un ) didefinisikan oleh: r rr 1 u = (u.u ) 2 = u12 + ... + un 2 r r Jarak Euclidean antara titik u = (u1 , u2 ,..., un ) & v = (v1 , v2 ,..., vn ) adalah r r r r d (u , v ) = u - v = (u1 - v1 ) 2 + ... + (un - vn ) 2 Pertidaksamaan Cauchy-Schwarz adalah r r Jika u = (u1 , u2 ,..., un ) & v = (v1 , v2 ,..., vn ) adalah vector-vektor di R n , maka:

rr r r u.v u v

Orthogonality

rr r r Dua vector u & v di R n disebut orthogonal jika u.v = 0 r r r r2 r2 r2 Jika u & v orthogonal, maka u+v = u + v

Vektor

r u = (u1,u2 ,..., un ) , kadang-kadang ditulis:

u1 r u2 r u = atau u = u1,u2 ,..., un M u n

Rumus Matriks untuk Dot Product u1 v1 r u2 r v2 u= , v= M M u n vn u1 r r rT r ur uu r u 2 u.v = v u = v1 K vn M = u1v1 + L + un vn u n Jika A adalah matriks n n , maka:

r r rT r rT r r r r r Au.v = v ( Au ) = (v A)u = ( AT v)T u = u. AT v r r r r rT r rT r rr u. Av = ( Av)T u = (v AT )u = v ( AT u ) = AT u.v rr r r \ Au.v = u. AT v r r rr u. Av = AT u.v

Contoh: Misalkan

1 A= 2 -1 1 r Au = 2 -1
T

-2 3 -1 -2 r r 4 1 u = 2 v = 0 0 1 4 5 -2 3 -1 7 4 1 2 = 10 0 1 4 5

1 2 -1 -2 -7 r A v = -2 4 0 0 = 4 3 1 1 5 -1 rr Au.v = 7.(-2) + 10.0 + 5.5 = 11 r Tr sama u. A v = (-1).( -7) + 2.4 + 4.( -1) = 11

4.2 Transformasi Linier dari Fungsi dari

Contoh: Rn f: R
n

Rn

ke

Rm

R R
2 2

f ( x1 , x2 ,..., xn ) = x12 + x2 2 + ... + xn 2 f ( x1 , x2 ,..., xn ) = e - ( x1 + x2

+...+ xn 2 )

Fungsi dari

Rn

R , yaitu
n

f : Rn
&

Jika m = n , maka f : R n R , Misalkan w1 = f1 ( x1 , x2 ,..., xn ) w2 = f 2 ( x1 , x2 ,..., xn ) M wm = f m ( x1 , x2 ,..., xn )

( x1 , x2 ,..., xn ) R n

f disebut operator pada R n

dan ( w1 , w2 ,..., wm ) R m ( w1 , w2 ,..., wm ) R m

R ,
m

"( x1 , x2 ,..., xn ) R n , kita mendapatkan nilai unik

m

Persamaan-persamaan tersebut mendefinisikan transformasi dari R n

yaitu: T : R n R , sehingga T ( x1 , x2 ,..., xn ) = ( w1 , w2 ,..., wm ) Contoh: Misalkan diketahui persamaan-persamaan: w1 = x1 + x2

w2 = 3 x1 x2 w3 = x12 - x2 2

Yang mendefinisikan transformasi

T : R2

R , berarti

T ( x1 , x2 ) = ( x1 + x2 ,3 x1 x2 , x12 - x2 2 )

Contoh: T (1, -2) = (1 + (-2),3.1.(-2),12 - ( -2) 2 ) = (-1, -6, -3) Selanjutnya, misalkan w1 = a11 x1 + a12 x2 + ... + a1n xn w2 = a21 x1 + a22 x2 + ... + a2 n xn M wm = am1 x1 + am 2 x2 + ... + amn xn
R ,
m

Persamaan-persamaan tersebut mendefinisikan transformasi dari R n

m

yaitu: T : R n R . Karena persamaan-persamaan tersebut berbentuk linier, maka transformasinya disebut transformasi linier. Persamaan-persamaan

 w1 a11 L a1n x1 w a La x 2n 2 2 = 21 M di atas dapat ditulis: M M wn am1 L amn xn u r r w = Ax

Matriks A = aij disebut matrika standar untuk transformasi linier T , & T disebut multiplication by A . Contoh: Transformasi linier T : R 4 R , yang didefinisikan oleh persamaan: w1 = 2 x1 - 3 x2 + x3 - 5 x4 w2 = 4 x1 + x2 - 2 x3 + x4 w3 = 5 x1 - x2 + 4 x3 dapat dinyatakan dalam bentuk: x1 w1 2 -3 1 -5 w = 4 1 -2 1 x2 2 x 3 w3 5 -1 4 0 x4 Matriks standar dari T adalah Beberapa Notasi Penting Jik T : R n
2 -3 1 -5 4 1 -2 1 5 1 4 0
3

adalah multiplication by A ( A matriks standar dari T ),

R , dinotasikan oleh TA : R n
m

maka transformasi T : R n r r artinya TA ( x) = Ax .

R ,

Kadang-kadang matriks A dinotasikan dengan [TA ] , berarti: r r ditulis: TA ( x) = [TA ] x Komposisi dari Transformasi Linier
k m

r r TA ( x) = Ax , dapat

Jika TA : R n R & TB : R k R adalah transformasitransformasi linier, maka " x R n $TA ( x ) R k & "TA ( x ) R k $TB (TA ( x )) R m

Rn

TA

Rk
TB TA

TB

Rm

r r \ (TB TA )( x) = TB (TA ( x))

komposisi dari TB dg TA

Komposisi TB TA adalah linier, karena: r r r r r (TB TA )( x) = TB (TA ( x)) = TB ( Ax) = B( Ax) = ( BA) x \TB TA adalah multiplication by BA . Contoh: r Tentukan matriks standar T untuk menemukan T ( x) , kemudian periksa hasilnya r dengan menghitung langsung T ( x ) . r (a ) T ( x1 , x2 ) = ( - x1 + x2 , x2 ); x = (-1, 4) r (b) T ( x1 , x2 , x3 ) = (2 x1 - x2 + x3 , x2 + x3 ,0); x = (2,1, -3) Pembahasan: w1 = - x1 + x2

w2 = x2 w1 -1 1 x1 -1 1 = \ A = w2 0 1 x2 0 1 r r T ( x) = Ax -1 1 -1 5 T ((-1, 4)) = = 0 1 4 4 r \T ( x) = (5, 4) T (-1, 4) = (-(-1) + 4, 4) = (5, 4)

(a)

w1 = 2 x1 - x2 + x3 w2 = x2 + x3 w3 = 0 w1 2 -1 1 x1 w2 = 0 1 1 x2 w 0 0 0 x 3 3 r r T ( x) = Ax 2 -1 1 \ A = 0 1 1 0 0 0

(b)

2 -1 1 2 0 T ((2,1, -3)) = 0 1 1 1 = -2 0 0 0 -3 0 r \ T ( x ) = ( 0 -2 0 ) T (2,1, -3) = (2.2 - 1 - 3,1 - 3,0) = (0, -2,0)

Geometri dari Operator Linier

T : Rn

n- tuple terurut (a1 , a2 ,..., an ) dapat dipandang sebagai suatu titik atau vector di R n
r T ( x)
r x

r T ( x) r x

r r r T0 ( x) = 0 x = 0 r r r TI ( x) = I x = x

: transformasi nol : transformasi identitas

Operator Refleksi
y

( - x, y )

( x, y )

r T ( x)

r x

Refleksi terhadap sumbu Y di R

w1 = - x = - x + 0 y w2 = y = 0 x + 1 y w1 -1 0 x = w2 0 1 y

-1 0 \ Matriks standar untuk reflaksi terhadap sumbu Y adalah 0 1

Refleksi terhadap bidang XY

( x, y, z )

( x, y , - z )

w1 = x w2 = y w3 = - z

1 0 0 0 1 0 0 0 -1

Operator Proyeksi pada Sumbu X

y
( x, y )
r x r w
w1 = x w2 = 0 1 0 0 0

( x, 0)

Operator Proyeksi Ortogonal pada Bidang XZ

z
( x, 0, z )
( x, y, z )

r w

r x
y

w1 = x w2 = 0 w3 = z

1 0 0 0 0 0 0 0 1

Operator Rotasi di R 2

x2

r w = ( w1 , w2 )

q
x1 = r cos f , x2 = r sin f

r x = ( x1 , x2 )
x1

w1 = r cos(q + f ) = r cos q cos f - r sin q sin f w2 = r sin(q + f ) = r sin q cos f + r cos q sin f
w1 = x1 cos q - x2 sinq w1 cos q = w2 = x1 sin q + x2 cos q w2 sin q - sin q x1 cos q x2

Operator Rotasi di R3 Rotasi berlawanan arah jarum jam mengelilingi sumbu X positif sebesar q

r w
r x

w1 = x w2 = y cos q - z sin q w3 = y sin q + z cos q

0 1 0 cos q 0 sin q

- sin q cos q 0

Rotasi berlawanan arah jarum jam mengelilingi sumbu Y sebesar q

z
r x

r w

x
w1 = x cos q + z sin q w2 = y w3 = - x sin q + z cos q cos 0 - sin q 0 sin 1 0 0 cos q

Operator Dilatasi & Kontraksi

r T ( x) = k x Kontraksi dengan faktor k

(0 k 1)

r w ( x, y )

r x

(kx, ky)
x

w1 = kx

w2 = ky Dilatasi dengan factor k

matriks standar

k 0 = 0 k ( k 1)

y
r w

r x

(kx, ky )

( x, y )

x
w1 = kx w2 = ky matriks standar k 0 = 0 k

k 0 0 Untuk R , matriks standarnya yaitu 0 k 0 0 0 k

3

Komposisi dari Transformasi Linier

Jika TA : R n r setiap x R n
R & TB : R k
k

R adalah transformasi linier, maka untuk

r r r x TA ( x ) TB (TA ( x )) adalah transformasi linier dari R n

yang disebut

komposisi dari \TB TA = TBA

TB

dengan TA :

TB TA

Jika T1 : R n

(T2 T1 ) = (T2 )(T1 )

R & T2 : R k

R adalah transformasi linier, maka

Contoh: Misalkan T1 : R 2
T2 : R 2 R adalah operator linier rotasi vector sebesar q1
2

(T2 T1 ) = (T2 )(T1 )

cos q1 T1 = sin q1

R adalah operator linier rotasi vector sebesar q 2

2

- sin q1 cos q 2 , T2 = cos q1 sin q 2

- sin q 2 cos q 2

r T2 (T1 ( x ))

y
q1 + q 2
q2

r T1 ( x )
r x

q1

(T2 T1 ) =

cos (q1 + q 2 ) - sin (q1 + q 2 ) sin (q1 + q 2 ) cos (q1 + q 2 )

cos q1 - sin q1 cos q 2 - sin q 2 T1 = , T2 = sin q1 cos q1 sin q 2 cos q 2 cos q1 - sin q1 cos q 2 - sin q 2 (T2 )(T1 ) = sin q1 cos q1 sin q 2 cos q 2 cos q1 cos q 2 - sin q1 sin q 2 - sin q1 cos q 2 + cos q1 sin q 2 = sin q1 cos q 2 + cos q1 sin q 2 cos q1 cos q 2 - sin q1 sin q 2 cos (q1 + q 2 ) - sin (q1 + q 2 ) = = (T2 T1 ) sin (q1 + q 2 ) cos (q1 + q 2 )
Contoh:
T1 : R 2 R
2

: pencerminan terhadap garis y=x : proyeksi orthogonal terhadap sumbuY

T2 : R 2

10 0 0 = 00 1 0 0 00 1 0 (T2 T1 ) = (T2 )(T1 ) = = 0 11 0 1 \ (T1 T2 ) (T2 T1 )

0 1 0 T1 = , T2 = 1 0 0 0 (T1 T2 ) = (T1 )(T2 ) = 1

0 1 1 0 0 0

Operator Pencerminan terhadap Titik Asal

r r -1 0 T ( x ) = - x pada R 2 atau R 2 : (T ) = 0 -1

Komposisi 3 atau Lebih Transformasi Linier

T1 : R n R k , T2 : R k R l , T3 : R l R m r r (T3 T2 T1 ) x = T3 T2 T1 x

()

( ( ( )))

Matriks standar

(T3 T2 T1 ) = (T3 )(T2 )(T1 ) (T3 T2 T1 ) = (T3 )(T2 )(T1 )

dan TC TB TA = TCBA
m

4.3 Sifat-sifat Transformasi Linier dari R n R

Definisi:
m

Suatu transformasi linier T dari R n R disebut satu-satu jika T memetakan vektor-vektor (titik-titik) yang berbeda di R n ke vektor-vektor (titik-titik) yang berbeda di Rm

u r Untuk setiap vector w Range dari transformasi linier satu-satu T , akan terdapat tepat r r u r satu vektor x sehingga T ( x) = w .
Misalkan Ann , TA : R n R n adalah perkalian oleh A, maka hubungan antara invertibilitas dari A dengan sifat-sifat TA : r u r u r A Ax = w konsisten "wn1 r u r u r Ax = w mempunyai tepat satu solusi "wn1

 A invertible r u r u r Ax = w konsisten "wn1 r u r Ax = w mempunyai tepat satu solusi jika sistem konsisten
A invertible u r r Untuk setiap vector w R n , terdapat vector x R n , sehingga r u r TA x = w, Range dari TA adalah semua vektor di R n u r r Untuk setiap vector w di range TA , terdapat tepat satu vektor x R n , sehingga r u r TA x = w , dpl TA adalah satu-satu

()

()

Teorema: Jika A adalah matriks nxn dan berikut ekivalen: a) A invertible b) Range TA adalah R n

TA : R n R n adalah perkalian oleh A , maka yang

c) TA adalah satu-satu (1-1) Contoh: cos q 1. Rotasi adalah 1-1, (T ) = sin q

- sin q cos q

2. Proyeksi vector di R 3 pada bidang XY

1 0 0 (T ) = 0 1 0 0 0 0

tidak 1-1, karena (T ) tidak invertible

Balikan (invers) dari Operator Linier Jika

TA : R n R n adalah operator linier 1-1, maka A invertible
TA-1 : R n R n juga merupakan operator linier yang disebut invers dari TA r r r r r TA (TA-1 ( x)) = TA ( A-1 x) = AA-1 x = I x = x r r r r r TA-1 (TA ( x)) = TA-1 ( Ax) = A-1 Ax = I x = x

sehingga

Atau
TA TA-1 = TAA-1 = TI TA-1 TA = TA-1 A = TI

r x

TA

r w

TA -1
r r r TA-1 ( w) = TA-1 (TA ( x )) = x [T -1 ] = [T ]-1

Contoh: Mis T : R 2 R 2 , w1 = 2 x1 + x2 , w2 = 3 x1 + 4 x2 adalah 1-1 Maka T -1 ( w1 , w2 )? Jawab:

w1 2 1 x1 2 1 w = 3 4 x , [T ] = 3 4 2 2 4 -1 -1 5 5 -1 T = [T ] = 3 2 5 5 4 - 1 w 4 w1 w 5 5 1 5 -1 1 = = T 2 w2 - 3 w w2 - 3 5 5 5 1 1 3 2 4 \T -1 ( w1 , w2 ) = w1 - w2 , - w1 + w2 5 5 5 5

- 1 w2 5 2 w 5 2

Sifat-sifat Kelinieran r r Teorema: Suatu transif T : R n R m adalah linier jikka "u , v R n , c scalar r r r r a. T (u + v ) = T (u ) + T (v ) r r b. T (cu ) = cT (u ) Bukti: Misal A adalah matriks standar T

r r r r r r r r T (u + v ) = A(u + v ) = Au + Av = T (u ) + T (v ) r r r r T (cu ) = A(cu ) = c( Au ) = cT (u ) Misal (a) dan (b) dipenuhi oleh T; adalah benar T linier dengan mendapatkan matriks r r A ' T ( x ) = Ax , "x R r r r r r r r r r Untuk (a): T (u + v + w) = T (u ) + T (v + w) = T (u ) + T (v ) + T ( w)

Secara umum r r r r r r T (v1 + v2 + ... + vk ) = T (v1 ) + T (v2 ) + ... + T (vk ) Misal 1 0 0 0 1 0 r r r e1 = , e2 = ,..., en = vector-vektor basis standar di R n ... ... ... 0 0 1 Misal
r r r A = [T (e1 ) T (e2 ) ... T (en ) ] Jika

x1 x1 x x r r r r r x = 2 R n , Ax = [T (e1 ) T (e2 ) ... T (en ) ] 2 .... .... xn xn r r r Ax = x1T (e1 ) + ... + xnT (en ) r r r Ax = T ( x1e1 ) + ... + T ( xn en ) r r r Ax = T ( x1e1 + ... + xn en ) r r Ax = T ( x )

Teorema: r r r Jika T : R n R m adalah transformasi linier dan e1 , e2 ,..., en adalah vector-vektor basis standar untuk R n , maka matriks standar untuk T adalah

[T ] = [T (e1 )
Contoh: 1. Proyeksi terhadap bidang xz

r r T (e2 ) ... T (en ) ]

1 0 0 r r r r r r T (e1 ) = e1 = 0 , T (e2 ) = 0 = 0 , T (e3 ) = e3 = 0 0 0 1 1 0 0 T = 0 0 0 0 0 0

2. T : R3 R 2

 -2 1 3 w2 = 5 x1 + 4 x2 + x3 5 4 1 1 0 0 r r r -2 1 3 T (e1 ) = T 0 = , T (e2 ) = T 1 = , T (e3 ) = T 0 = 0 5 0 4 1 1 3. Misal l adalah garis pada bidang xy melalui titik O dan membentik sudut q terhadap sumbu x positif, 0 q p . T : R 2 R 2 operator linier yang memetakan tiap vector ke proyeksi orthogonal ke l 1. cari matriks standar untuk T r 2. cari proyeksi orthogonal dari vector x = (1,5) ke garis yang melalui O dan bersudut q =
r x l

w1 = -2 x1 + x2 + 3 x3

p
6

terhadap sumbu x positif

l l

r T ( x)
q q

r () 1 Te
r e1

r e2 1
q

r T (e2 )

r T (e1 ) cos q cos 2 q r T (e1 ) = r = T ( e ) sin q 1 sin q cosq r T (e2 ) cos q sin q cosq r T (e2 ) = r = 2 T (e2 ) sin q sin q

cos2 q \T = sin q cosq

sin q cosq sin 2 q

BAB V RUANG VEKTOR

V.1 Ruang Vektor Definisi : Misalkan V adalah suatu himpunan sebarang yang tidak kosong. Misalkan 2 operasi didefinisikan pada V, yaitu operasi penjumlahan dan perkalian skalar. Maka V disebut ruang vektor apabila memenuhi syarat-syarat: uu r r r r 1. Jika u V dan v e V , maka u + v e V , r r r r 2. u + v = v + u r r ur r r ur 3. u + ( v + w ) = ( u + v ) + w r r r r r r r 4. Terdapat ( vektor nol ) 0 V ' 0 + u = u + 0 = u , " u V r uur r uur uur r r 5. " u V $ -u V ' u + -u = -u + u = 0

( ) ( )

uu r uu r 6. Jika k skalar dan u V , maka k u V . r r r r 7. k ( u + v ) = k u + k v r ur r 8. ( k + l ) u = k u + l u , l skalar r r 9. k ( ( l u ) = ( k l ) u , l skalar uu r r 10. 1 u = u

Contoh :
a b Misalkan V = a , b , c , d R c d r r a +a Definisikan u + v = 1 2 c1 + c 2

r a1 , jika u = c1

r a2 b1 , v = d1 c2 k b1 k d1

b2 d2

r k a1 b1 + b2 dan k u = d1 + d2 k c1

Apakah V ruang vektor ?

Jawab : r r r r a1 1. u V , v V , u + v = c1 2.
r r a u+v= 1 c1 b1 a2 + d1 c2

b1 a2 + d1 c2

b2 a1 + a2 = d2 c 1 + c2

b1 + b2 V d1 + d2
b2 + b1 d2 + d1

b2 a1 + a2 = d2 c 1 + c2

b1 + b2 a2 + a1 = d1 + d2 c 2 + c1

a2 = c2

b2 a1 + d2 c1

b1 r r =v+u d1
b2 a3 + d2 c3 b3 d3

a1 r r r 3. u + (v + w ) = c 1 a 1 = c1

b1 a 2 + d1 c2

b1 a 2 + a 3 + d1 c2 + c3

b 2 + b 3 a 1 + (a 2 + a 3 ) b1 + (b 2 + b 3 ) = d2 + d3 c1 + (c 2 + c 3 ) d 1 + (d 2 + d 3 )

(a + a 2 ) + a 3 = 1 (c1 + c 2 ) + c 3 a 1 = c1 b1 a 2 + d1 c2

(b1 + b 2 ) + b 3 a 1 + a 2 = (d1 + d 2 ) + d 3 c1 + c 2
b 2 a 3 + d2 c 3

b1 + b 2 a 3 + d1 + d 2 c3

b 3 d3

b3 = u+v +w d3
b1 0 0 a 1 + = d1 0 0 c1 b1 d1

[ ]

0 0 4. Ada 0 = 0 0 V ' r a 5. " u = 1 c1 a1 c 1 b1 V d1

0 0 a1 0 0 + c1

b1 a 1 = d1 c1 '

r -a $ -u = 1 -c1 - b1 - a 1 = -d - c1

-b1 V -d1 - b1 a 1 + - d1 c1 b1 k a 1 = d k c1

b1 - a 1 + d1 - c1

b1 0 0 = 0 0 d1 k b1 V k d1

a1 r 6. Jika k skalar, maka k u = k c1

a 1 7. k u + v = k c1

b1 a 2 + d1 c2

b 2 a 1 + a 2 =k d 2 c1 + c 2

b1 + b 2 d1 + d 2
k b1 + k b 2 k d1 + k d 2

k (a + a 2 ) k (b1 + b 2 ) k a 1 + k a 2 = 1 = k (c1 + c 2 ) k (d 1 + d 2 ) k c1 + k c 2

 k a1 = kc 1

k b1 k a 2 + k d1 k c2

k b2 a1 =k c k d2 1

b1 a2 +k c d1 2

b2 r r = ku + kv d2
k b1 + l b1 k d1 + l d1

a1 8. ( k + l ) u = (k + l ) c 1 k a1 = kc 1

b1 (k + l) a 1 = d1 (k + l ) c 1

(k + l) b1 k a 1 + l a 1 = (k + l) d 1 k c1 + l c1
b1 a1 +l c d1 1

k b1 l a 1 + k d1 l c1

l b1 a1 =k c l d1 1

b1 = k u + lu d1

a1 r 9. k ( l u ) = k l c1

b1 l a1 =k lc d1 1

l b1 k (l a 1 ) k (l b1 ) = l d1 k ( l c1 ) k ( l d 1 )

k l a1 = k lc 1 a1 r 10. 1 ( u ) = 1 c 1

k l b1 a1 = k l c k l d1 1

b1 = (k l) u d1 a1 c 1 b1 = u d1

b1 1.a 1 1.b 1 = = d1 1.c1 1.d 1

Karena ke 10 syarat terpanuhi, maka V merupakan ruang vektor.

V.2 Subruang . Definisi : Misalkan V ruang vektor. W adalah sub himpunan V ( W V ) . W disebut sub ruang bila memenuhi ( 10 ) syarat ruang vektor dibawah operasi penjumlahan dan perkalian skalar yang didefinisikan pada V.

Untuk memeriksa apakah W sub ruang atau bukan, dibutuhkan tahapan yang panjang. Maka untuk mempersingkatnya digunakan teorema berikut :

Teorema : Jika W V , V ruang vektor. W disebut sub ruang dari V jika memenuhi 2 syarat berikut: a. Jika u dan v di W maka ( u + v ) W ( tertutup terhadap operasi penjumlahan ) b. Jika k skalar dan u W , maka k u W ( tertutup terhadap operasi perkalian )

Catatan : Karena V ruang vektor, maka elemen elemen dari V disebut vektor.

Contoh: R3 adalah ruang vektor. W = { (a,0,0) ; a R } R3. Apakah W sub ruang dari R3. Jawab : a. u = ( a, 0,0 ) W , v = ( b, 0, 0 ) W u + v = ( a, 0,0 ) + ( b, 0, 0 ) = ( a+b ,0 ,0 ) W

\ syarat (1) terpenuhi.

b. k u = k ( a, 0, 0 ) = ( k a , 0 , 0 ) W

\ syarat ( 2 ) terpenuhi.
Karena kedua syarat terpenuhi , maka W sub ruang dari R3. Ruang-ruang Penyelesaian untuk Sistem-Sistim Homogen Jika AX= b adalah suatu sistem persamaan linier (SPL), maka setiap vektor yang memenuhi persamaan ini disebut vektor penyelesaian dari SPL tersebut. Vektor penyelesaian dari SPL homogen akan membentuk ruang vektor, yang disebut ruang penyelesaian dari system tersebut.

Teorema : Jika Ax = 0 adalah SPL homogen dari m persamaan dalam n peubah, maka himpunan vektor penyelesaiannya adalah suatu sub-ruang dari Rn. V.2.1 Kombinasi Linier vektor-vektor Definisi :
r Vektor w disebut kombinasi linier dari vektor-vektor v 1 , K, v r , apabila berlaku

w 1 = k 1 v1 + k 2 v 2 + K + k r v r , dimana k1, k2, . . . . , kr skalar.

Contoh : u = ( 1 , 2, - 1 ) , v = ( 6 , 4, 2 ) di R3. Tunjukkan bahwa : a. w 1 = ( 9, 2 , 7 ) merupakan kombinasi linier dari u dan v . b. w 2 = ( 4, -1 , 8 ) bukan kombinasi linier dari u dan v . Jawab : a. ( 9 , 2 , 7 ) = k1 ( 1, 2 , -1 ) + k2 ( 6, 4, 2 ) = ( k 1 + 6 k2 , 2 k1 + 4 k2 , - k1 + 2 k2 ) Diperoleh 3 persamaan : 9 = k1 + 6 k2 2 = 2 k1 + 4 k2 7 = - k1 + 2 k2 k1 = - 3 & k2 = 2
\ w = - 3 u + 2 v ( w kombinasi linier dari u dan v )

b.

( 4 , -1 , 8 ) = k1 ( 1, 2 , -1 ) + k2 ( 6, 4, 2 ) = ( k1 + 6 k2 , 2 k1 + 4 k2 , - k1 + 2 k2 ). Diperoleh 3 persamaan : 4 = k1 + 6 k2 - 1 = 2 k1 + 4 k2 8 = - k 1 + 2 k2
1 2 -1 6 4 c1 4 c = - 1 2 8 2

1 6 4 1 6 4 -2 ) 1) H (32 H (21 2 4 -1 0 -8 -9 0 -8 -9 (1) H 31 -1 2 8 0 8 12 0 0 3

\ Sistem tersebut tak punya solusi w k 1 u + k 2 v ( w bukan kombinasi linier dari
u dan v ). V. 2.2. Membangun (merentang) Definisi :

6 4

Misalkan S = v1 , v 2 ,K , v r V . Misalkan W V adalah subruang dari V. W disebut ruang yang dibangun oleh S apabila " u W merupakan kombinasi linier dari vektor-vektor yang ada di S. S disebut membangun W. Notasi : W = span ( S )

Contoh : Tentukan apakah : v 1 = ( 1,1,2 ) , v 2 = ( 1,0,1 ) dan v 3 = ( 2,1,3 ) membangun R 3. Jawab : Misalkan b = ( b 1, b2 , b3 ) R 3 adalah vektor sembarang. Bila v 1 , v 2 , v 3 membangun R3, maka setiap sembarang vektor di R 3 akan merupakan kombinasi linier dari vektor-vektor tersebut. Akan ditunjukkan b = k 1 v1 + k 2 v 2 + k 3 v 3
( b1,b 2,b3) = k1 (1,1,2) + k2 (1,0,1) + k3 (2,1,3)

( b1, b2, b3 ) = ( k1 + k2 + 2 k3 , k1 + k 3 , 2 k1 + k2 + 3 k3 )
Maka dapat dijadikan sistem persamaan linier : k1 + k2 + 2 k3 = b1 k1 + k3 = b 2 2 k1 + k2 + 3 k3 = b 3 Sistim persamaan linier dapat dinyatakan dalam bentuk matriks :
1 1 2 k 1 b1 1 0 1 k 2 = b2 2 1 3 k b 3 3 1 1 2 b1 1 0 1 b2 2 1 3 b3 1 1 2 b1 1 1 2 b1 -1) ( -1) H 32 H (21 0 - 1 - 1 b 2 - b1 0 - 1 - 1 b 2 - b1 -2 H 31 0 - 1 - 1 b 3 - 2b1 0 0 0 b 3 - b 2 - b1

\ S P L tak punya solusi. \ S = v 1 , v 2 , v 3 tak membangun ruang W.

Teorema :

ur uu r uu r Jika S= v1 , v2 ,K , vr dan S = w 1 , w 2 ,K , w k adalah dua himpunan vektor-vektor

dalam suatu ruang vektor V, maka ur uu r uu r span v1 , v2 ,K , vr = span w 1 , w 2 ,K, w k

} }

jika dan hanya jika setiap vektor dalam S adalah suatu kombinasi linier dari vektor-vektor dalam S, dan sebaliknya setiap vektor dalam S w 1 , w 2 ,K, w k adalah suatu kombinasi linier dari vektor-vektor dalam S. V.3 Kebebasan Linier. Definisi:
ur uu r uu r Misalkan S = v1 , v2 ,K , vr

ur uu r uu r r S disebut bebas linier jika persamaan k1 v1 + k2 v2 + K + kr vr = 0 hanya mempunyai 1

solusi yaitu k1 = k2 = . . . . . = kr = 0. Jika tidak berlaku itu, maka S disebut bergantung linier. Contoh : Tentukan apakah vector-vektor v 1 = ( 1, -2 ,3 ) , v 2 = ( 5, 6 ,-1 ) dan v 3 = ( 3, 2 ,1 ) bebas linier atau bergantung linier ? ur uu r ur r Jawab : k1 v1 + k2 v2 + k3 v3 = 0 k1 (1, -2 , 3 ) + k2 (5 , 6 , -1) + k3 (3 , 2 ,1 ) = (0, 0, 0) ( k1+5 k2 + 3 k3 , -2 k1 + 6 k2 + 2 k3 , 3 k1 k2 + k 3 ) = (0 , 0 , 0 ) Jadi k1 + 5 k2 + 3 k3 = 0 -2 k1 + 6 k2 + 2 k3 = 0 3 k1 k2 + k3 = 0 SPL diatas dalam bentuk matriks ditulis :
1 5 3 k1 0 -2 6 2 k 2 = 0 3 -1 1 k 3 0

3 (1) 1 5 3 (2) 1 5 H 21 H 8 32 -2 6 2 H ( -3) 0 16 3 -1 1 31 0 -16 -8

1 5 3 0 16 8 0 0 0

\ k1

+ 5 k2 + 3 k3 = 0

16 k2 + 8 k3 = 0 2 k2 + k3 = 0 k 3 = - 2 k2 Bila k2 = s , k3 = - 2 s maka k1 = - 5 k2 - 3 k3 = - 5 s 3 ( - 2 s ) = s ur uu r uu r \ S = v1 , v2 ,K , vr bergantung linier.

Teorema : Suatu himpunan S dengan dua atau lebih vektor disebut : a. Tak bebas secara linier jika dan hanya jika paling tidak salah satu vektor dalam S dapat dinyatakan sebagai suatu kombinasi linier dari vektor-vektor lainnya dalam S. b. Bebas linier jika dan hanya jika tidak ada vektor dalam S yang dapat dinyatakan sebagai suatu kombinasi linier dari vektor-vektor lain dalam S.

Teorema : a. Suatu himpunan vektor terhingga yang berisi vektor tak nol, tak bebas secara linier. b. Suatu himpunan dengan tepat dua vektor bebas secara linier jika dan hanya jika vektor yang satu bukan merupakan penggandaan skalar dari vektor lainnya.

Teorema :

ur uu r uu r Anggap S = v1 , v2 ,K, vr adalah suatu himpunan vektor-vektor dalam Rn. Jika r > n ,

maka S tak bebas secara linier. V. 4 Basis dan Dimensi Definisi Basis :
ur uu r uu r Jika V adalah suatu ruang vector dan S = v1 , v2 ,K , vr adalah sub himpunan V, maka

S disebut basis dari V, apabila memenuhi kondisi-kondisi berikut : a. S bebas linier

b. S membangun V.

Definisi Dimensi : Ruang vektor tak nol V disebut mempunyai dimensi hingga apabila V memuat suatu himpunan , dimana himpunan tersebut merupakan basis dari V. Dim (V) adalah jumlah vektor di dalam basis. Apabila V tidak memuat himpunan itu, atau V tidak mempunyai basis, maka dikatakan V berdimensi tak hingga.

Contoh : 1. Misalkan v 1 = ( 1, 2 , 1 ) , v 2 = ( 2, 9 , 0 ) dan v 3 = ( 3, 3 , 4 ) Tunjukkan bahwa S = v1 , v 2 , v 3 merupakan basis dari R3. Jawab : a. Apakah S membangun R3. Ambil sebarang vektor ( b1, b 2, b3 ) R3 ( b1, b2, b3 ) = k1 (1 , 2, 1) + k2 ( 2 , 9,0 ) + k3 ( 3 , 3 , 4 ) = ( k1 + 2 k2 + 3 k3 , 2 k1 + 9 k2 + 3 k3 , k1 + 4 k3 ) Dalam bentuk matriks dapat ditulis :
1 2 3 k 1 b1 2 9 3 k 2 = b2 1 0 4 k b 3 3 1 2 3 b1 2 9 3 b2 1 0 4 b3 1 2 3 b1 1 2 3 b1 2 -2 ) 5 H 32 H (21 0 5 - 3 b 2 - 2b1 0 5 -3 b 2 - 2b1 ( -1) H 31 0 - 2 1 b 3 - b1 0 0 - 1 5 (b 3 - b 1 ) + 2 5 (b 2 - 2b 1 )

1. k3 = ( b3 b 1 ) + b 2 - b 1 k3 = - 5 b3 + 5 b1 2 b 2 + 4 b 1 k3 = 9 b 1 2 b 2 5 b3 2. 5 k2 3 k3 = b 2 - 2 b 1 5 k2 3 (9 b 1 2 b 2 5 b 3 ) = b2 - 2 b1 5 k2 27 b1 + 6 b2 + 15 b3 = b2 - 2 b1 5 k2 = 25 b1 - 5 b2 - 15 b3 k2 = 5 b 1 - b 2 - 3 b3

3. k1 + 2 k2 + 3 k3 = b1

 k1 + 2 (5 b1 - b2 - 3 b3 ) + 3 (9 b1 2 b2 5 b3 ) = b 1
k1 = - 10 b1 + 2 b2 + 6 b3 - 27 b1 + 6 b2 + 15 b3 + b1 k1 = - 36 b1 + 8 b2 + 21 b3

\ S membangun V
b. Apakah S bebas linier ?

( 0, 0, 0 ) = k1 (1 , 2, 1) + k 2 ( 2 , 9,0 ) + k3 ( 3 , 3 , 4 ) = ( k1 + 2 k2 + 3 k3 , 2 k1 + 9 k2 + 3 k3 , k1 + 4 k3 )

Dalam bentuk matriks dapat ditulis : A X = b

1 2 3 k1 0 2 9 3 k 2 = 0 1 0 4 k 0 3 1 2 3

Det ( A ) = 2 9 3 = - 1
1 0 4

Karena det ( A ) 0 maka persamaan diatas terpenuhi bila k 1 = k2 = k 3 = 0 Maka S bebas linier .

\ S basis dari R3 , dim R3 = 3

2. Misalkan v1 = (1, 2 , 5) . Akan dibuktikan v sebagai kombinasi linier dari v1 , v 2 , v 3 v = ( 1 , 2 , 5 ) = k1 ( 1 , 2, 1 ) + k2 ( 2 , 9, 0 ) + k3 ( 3 , 3 , 4 ) Dalam bentuk matriks dapat ditulis :
1 2 3 k1 1 3 k 2 = 2 2 9 1 0 4 k 5 3

Dari contoh 1 a diperoleh hasil : k1 = - 36 b1 + 8 b 2 + 21 b3 k2 = 5 b 1 - b 2 - 3 b3 k3 = 9 b 1 2 b2 5 b3

dengan b 1 = 1 , b 2 = 2 , b3 = 5 diperoleh hasil k1 = 85 , k2 = -12 , k3 = - 21 . Maka vektor koordinat v = ( 1 , 2 , 5 ) terhadap basis v 1 , v 2 , v 3 di S : [ v ]s = ( 85, -12, - 21 )

Teorema : ur uu r uu r Jika S = v1 , v2 ,K , vr adalah suatu basis untuk suatu ruang vector V, maka setiap vektor v

r ur uu r uu r dalam V bisa dinyatakan dalam bentuk v = c1 v1 + c2 v2 + L + cn vn dalam tepat satu cara.

V.3.3 Ruang Basis, Ruang Kolom, Ruang Null . Definisi : Jika A matriks dengan ukuran m x n, maka : a. Subruang dari Rn yang dibangun oleh vektor-vektor baris matriks A disebut ruang baris dari A. b. Subruang dari R m yang dibangun oleh vektor-vektor kolom matriks A disebut ruang kolom dari A. c. Ruang solusi dari A X = O yang merupakan subruang dari R n disebut ruang null dari A.
a 11 a A = 21 M a m1 a 12 a 22 M a m2 L a 1n L a 2n M L a mn

Vektor vektor baris dari matriks A : u r r1 = [ a11 a12 . . . a1n ] R n u r r2 = [ a21 a22 . . . a2n ] R n
M uu r rm = [ am1 am2 . . . amn ] R n

Vektor vektor kolom dari matriks A :

 a11 a1n ur uu r a 2n a 21 m c1 = R , . . . . , cn = Rm M M a m1 a mn

Menentukan Basis, Ruang Basis, Ruang Kolom dan Ruang Null. r ur uu r uu r r ur uu r uu r r ur uu r uu r v = c1 v1 + c2 v2 + L + cn vn v = c1 v1 + c2 v2 + L + cn vn v = c1 v1 + c2 v2 + L + cn vn r ur uu r uu r v = c1 v1 + c2 v2 + L + cn vn 1 -3 4 -2 5 4 2 -6 9 -1 8 2 . Misalkan A= 2 -6 9 -1 9 7 -1 3 -4 2 -5 -4 Kita akan ubah A menjadi bentuk matriks eselon baris :
1 -3 4 -2 5 4 2 -6 9 -1 8 2 (-2) H 21 (-2) 2 -6 9 -1 9 7 H31 (1) -1 3 -4 2 -5 -4 H 41
(-1) 32

1 -3 0 0 0 0 0 0

4 -2 1 1 0 3 3 0

4 -2 -6 -1 -1 0 0 5

1 -3 0 0 0 0 0 0

4 -2 5 4 1 3 -2 -6 0 0 1 5 0 0 0 0

Jadi basis ruang baris adalah : u r r1 = [ 1 -3 4 -2 5 4 ] u r r2 = [ 0 0 1 3 -2 -6 ]

5 14 3 0 0 1 uu r -4 uu r -3 uu r 0 d1 = ; d 2 = ; d 3 = = [ 0 0 0 0 1 5 ] 0 1 0 -5 0 0 1 0 0 Kolom kolom yang mengandung 1 utama adalah : 1 4 5 ur 0 uu r 1 uu r -2 ' ' c1 = c'2 = c3 = 0 0 1 0 0 0 Basis ruang kolomnya adalah : 1 4 5 uu r uu r uu r 8 2 9 c1 = c = c = 2 2 9 3 9 -1 -4 -5 Mencari basis ruang null :
1 -3 0 0 0 0 0 0 x1 -2 5 4 x2 0 3 -2 -6 x3 0 = 0 1 5 x4 0 0 0 0 x5 0 x6

4 1 0 0

x5 + 5 x6 = 0 x5 = - 5 x6 misal x6 = s ; x 5 = - 5 s ; x 3 + 3 x4 2 x5 6 x6 = 0 x 3 + 3 x4 2 ( - 5 s ) 6 s = 0 x3 + 3 x4 = 10 s + 6 s = - 4 s x 4 = t ; maka x 3 = - 3 t 4 s. x 1 3 x2 + 4 x3 2 x4 + 5 x5 + 4 x6 = 0 x1 3 x2 + 4 ( - 3 t 4 s ) 2 t + 5 ( - 5 s ) + 4 s = 0

 x1 3 x2 = 14 t + 5 s ; x2 = w ; x1 = 14 t + 5 s + 3 w . Jadi ,
x1 14 t+5s+3w x w 2 x3 -3t-4s = =s t x4 x5 -5s s x6 5 0 -4 +t 0 -5 1 14 3 0 1 -3 0 +w 1 0 0 0 0 0

5 14 3 0 0 1 uu r r -3 uu r 0 -4 uu Basis ruang Null adalah : d1 = ; d 2 = ; d 3 = 0 1 0 -5 0 0 1 0 0 Dimensi ruang baris = dimensi ruiang kolom = rank = 3 Dimensi ruang null = nullitas = 3 dan n = rank + nullitas 6= 3 + 3

Contoh : Tentukan basis suatu ruang yang dibangun oleh vektor-vektor : uu r uu r uu r v1 = ( 1, -2 , 0 , 0 , 3 ) , v 2 = ( 2, -5, -3, -2, 6 ) ; v 3 = ( 0 , 5, 15, 10, 0 ) ; uu r v 4 = ( 2 , 6 , 18 , 8, 6 ). Jawab : 1 -2 0 0 2 -5 -3 -2 0 5 15 10 2 6 18 8
Basisnya adalah :

3 1 -2 0 1 6 , matriks eselon barisnya : 0 0 0 6 0 0

0 0 3 3 2 0 1 1 0 0 0 0

uur uuu r uur w1 = (1, -2, 0, 0,3 ) ; w 2 = ( 0,1, 3, 2, 0 ) ; w 3 = ( 0, 0,1,1, 0 )

BAB VI RUANG INNER PRODUCT

VI. Inner Product a. Definisi Inner Product Misalkan didefinisikan suatu fungsi , f : V x V R r r r r Dinotasikan : f u , v = u , v

r r u r Fungsi tersebut dinamakan inner product apabila untuk semua u , v , w di V dan semua
skalar k, memenuhi syarat-syarat berikut ini : (1) (2) (3) (4)

(( ))

r r r r u , v = v, u r u r u r r u r r u r u + v , w = u , w + v, w r r r r ku , v = k u , v rr r r r r v, v 0, dimana v, v = 0 jika dan hanya jika v = 0

Ruang vector V bersama dengan suatu inner product disebut Ruang Inner Product Contoh :

Jika u = ( u1,u2,,u n ) dan v = ( v1, v2, ., vn ) Rn , dan didefinisikan

r r r r u , v = u v = u1v1 + u2 v2 + L + un vn . r r Apakah u , v inner product ?

Jawab : Misalkan u , v , w Rn dan k R 1. 2.

r u r

r r r r u , v = u1v1 + u2 v2 + L + un vn = v1u1 + v2u2 + L + vn un = v, u r r u r u r u + v, w = ( u1 + v1 , u2 + v2 ,L , un + vn ) , w

= (u1 + v1 ).w1 + (u2 + v2 ).w2 + L + (un + vn ).wn = u1w1 + v1w1 + u2 w2 + v2 w2 + L + un wn + vn wn = (u1w1 + u 2 w2 + L + un wn ) + (v1 w1 + v2 w2 + L + vn wn ) r u r r u r = u , w + v, w r r r ku , v = ( ku1 , ku2 ,L , kun ) , v = ku1v1 + ku2 v2 + L + kun vn

3.

r r = k ( u1v1 + u2 v2 + L + un vn ) = k u , v rr 2 2 v, v = v1v1 + v2 v2 + L + vn vn = v12 + v2 + L + v2 0 rr r r 2 2 v , v = 0 artinya v12 + v2 + L + v2 = 0 , ini artinya v1 = v2 = L = vn = 0 yadi v = 0 r r rr Sebaliknya jika v = 0 v, v = v1v1 + v2v2 + L + vn vn = 0 + 0 + L + 0 = 0 r r r r Karena (1), (2),(3) dan (4) terpenuhi, maka u , v = u v adalah inner product .

4.

Inner product ini disebut inner product euclidian. b. Panjang dan jarak didalam ruang inner product Definisi : Jika V adalah suatu ruang inner product, maka norm ( atau panjang ) suatu vektor r r r 1 didalam V yang dinotasikan dengan u = u , u 2 r r Sedang jarak antara vektor u dan vektor v di V adalah : r r r r r r r r 1 d (u , v ) = u - v = u - v , u - v 2 contoh : r r Jika u = ( u 1,u2,,un ) dan v = ( v1, v 2, ., vn ) Rn yang dilengkapi dengan inner product euclidian. inner product euclidian. Maka : r r r 12 2 2 u = u, u = u12 + u2 + L + un
r r r r r r r r dan d u , v = u - v = u - v, u - v

( )

( u1 - v1 ) + ( u2 - v2 )
2

+ L + ( un - vn )

c. Unit circles / unit sphere didalam ruang inner product . Jika V adalah suatu ruang inner product, maka himpunan semua titik-titik di V yang r memenuhi : u = 1 disebut unit sphere / unit circle di V. Contoh : 1. Gambar unit circle didalam sistim koordinat xy di R2 dengan menggunakan inner r r product Euclidian u , v = u1v1 + u2 v2 r r Jawab : Jika u = ( x, y ) di R2 , maka u = x 2 + y 2 .

r Karena u = 1 x 2 + y 2 = 1 , berarti x 2 + y 2 = 1

Gambarnya adalah :
Y 1

X -1 1

-1

2. Gambar unit circle didalam sistim koordinat xy di R2 dengan menggunakan inner r r 1 product Euclidian terbobot u , v = 1 9 u1v1 + 4 u2 v2 r r 2 1 2 Jawab : Jika u = ( x, y ) di R2 , maka u = 1 . 9 x + 4 y r 2 1 2 Karena u = 1 1 9 x 2 + 1 4 y 2 = 1 , berarti 1 9 x + 4 y =1 Gambarnya adalah :

d. Sifat sifat Norm : r r r r * u+v u + v *

r r2 r r2 2 u+v + u-v = 2 u + v

e. Inner product inner product yang dibangun oleh matriks : Inner product Euclidian dan inner product euclidian terbobot adalah kasus khusus dari

Inner product inner product di Rn. Berikut ini akan dijabarkan Inner product Euclidian dan inner product Euclidian terbobot yang dibangun oleh matriks.

u1 v1 r u r v Misalkan u = 2 dan v = 2 adalah vektor vektor di Rn , dan misalkan Anxn M M u n vn adalah matriks yang mempunyai invers. r r r r r r Apabila u , v adalah inner product, akan ditunjukkan bahwa u , v = Au gAv adalah
inner product dan disebut inner product pada Rn yang dibangun oleh A. r r r r Berikut akan ditunjukkan bahwa u , v = Au gAv adalah inner product. r r r r 1. u , v = Au gAv
a11 L a1n u1 a11 L a1n v1 = M M + M M a L a u a L a v nn n n1 nn n n1

a11u1 + a12u2 + L + a1nun a11v1 + a12v2 + L + a1n vn = M M g a u + a u +L + a u a v + a v + L + a v nn n n1 1 n2 2 nn n n1 1 n 2 2 ur ur = u ' gv ' ur ur = v ' gu ' a11v1 + a12 v2 + L + a1n vn a11u1 + a12 u2 + L + a1n un = M M g a v + a v +L + a v a u + a u + L + a u nn n n1 1 n2 2 nn n n1 1 n 2 2
a11 L a1n v1 a11 L a1n u1 = M M + M M a L a v a L a u nn n n1 nn n n1 r r = AvgAu r r = v, u

Untuk syarat (2) , (3) , ( 4 ) anda buktikan sendiri.

r r r r Separti yang kita tahu, bahwa u gv dapat ditulis menjadi u T v , dengan demikian maka r r r r rT r AugAv dapat ditulis menjadi : ( Av)T ( Au ) atau v AT Au .

Berarti inner product di R n.yang dibangun oleh A yaitu r r r r rT r u , v = ( Av )T Au = v AT A u .

r r r r u , v = Au gAv , dapat ditulis :

Contoh : inner product pada Rn.yang dibangun oleh matriks identitas adalah inner product r r r r r r r r Euclidian , yaitu u , v = Au gAv = I u gI v = u gv r r Inner product Euclidian terbobot di R2 , yaitu u , v = 3 u1v1 + 2 u2 v2 adalah inner

3 product pada Rn.yang dibangun oleh matriks : A = 0 Mari kita tunjukkan kebenarannya : r r r r r r u , v = Au gAv = ( Av )T Au

0 . 2

3 = 0
=

0 v1 v2 2

3 0

0 u1 2 u2
0 u1 2 u2

( v1

3 v2 ) 0

0 3 2 0

3 0 u1 v2 ) = 3 u1 v1 + 2 u2 v2 0 2 u2 Secara umum inner product Euclidian terbobot di Rn , yaitu r r u , v = w1 u1v1 + w2 u2 v2 + L + wn un vn adalah inner product pada Rn.yang dibangun
=

( v1

oleh matriks : A =

w1 0 M 0

0 w2 M 0

L L L

0 0 . M wn

f.

Sifat sifat inner product : r r u r Jika u , v dan w adalah vector-vektor diruang inner , dan k adalah suatu skalar , maka berlaku sifat-sifat berikut ini : r r r r a. 0, v = v, 0 = 0 r u r u r r r r u r b. u , v + w = u , v + u , w r r r r c. u, kv = k u, v

d. e.

r u r u r r u r r u r u - v , w = u , w - v, w r u r u r r r r u r u , v - w = u, v - u, w

VI.2 Sudut dan Keortogonalan di Ruang Inner Product . a. Pertidaksamaan Cauchy Schwart r r Misalkan u dan v adalah vektor-vektor tak nol di R2 atau R3, dan adalah sudut antara rr r r r r u gv keduanya, maka : u gv = u v cos q atau cos q = r r . u v r r u gv diatas adalah inner product Euclidean di R 2 atau R3 .

Berikut ini akan didefinisikan cos q , apabila yang digunakan adalah inner product secara r r u, v umum. Agar supaya konsisten dengan rumus diatas, maka didefinisikan: cos q = r r . u v Karena | cos q | < 1 , maka berlaku

r r u, v r r 1 u v

Dari hal tersebut, kita memperoleh teorema berikut ini : Teorema ( Cauchy Schwaet Inequality ) r r Jika u dan v adalah vektor-vektor didalam ruang inner product riil, maka r r r r berlaku pertidaksamaan berikut : | < u gv > | u v Pertidaksamaan Cauchy schewart dapat ditulis dalam bentuk berikut ini : r r r r * u, v u v
r r * u, v
2

r r * u, v

r r r r u, u v, v r2 r2 u v

b. Sifat-sifat dari panjang dan jarak di ruang inner product akan dinyatakan dalam 2 teorema berikut ini : Teorema 1 ( sifat-sifat panjang / norm di ruang inner product ) r r Jika u dan v adalah vektor-vektor didalam ruang inner produc V , dan k adalah skalar, maka berlaku sifat-sifat berikut : r a. u 0 r r b. u = 0 jika dan hanya jika u = 0 r r c. ku = k u

d.

r r r r u+v u + v

( pertidaksamaan segitiga )

Teorema 2 ( sifat-sifat jarak di ruang inner product ) r r u r Jika u , v dan w adalah vektor-vektor didalam ruang inner product V , dan k adalah skalar, maka berlaku sifat-sifat berikut : r r a. d ( u , v ) 0 r r r r b. d ( u , v ) = 0 u = v r r r r c. d ( u , v ) = d ( v , u ) r r r r r r d. d ( u , v ) d ( u , w) + d ( w, v ) ( pertidaksamaan segitiga ) b. Sudut antara vektor-vektor Berikut ini akan ditunjukkan bagaimana kegunaan pertidaksamaan Cauchy Schwarz dalam mendefinisikan sudut didalam ruang inner product umum. r r Misalkan u dan v adalah vector-vektor tidak nol didalam suatu ruang inner product V. r2 r2 r r 2 Menurut pertidaksamaan Cauchy Schwarz diperoleh : u , v u v

r r r r 2 u u, v ,v atau r r 1 atau - 1 r r 1 u v u v Selanjutnya apabila 0 < < , maka nilai cos akan unik dan terletak -1 dan 1. Berarti dapat kita katakan bahwa terdapat nilai yang unik sedemikian rupa sehingga, rr u gv cos q = r r , 0 < < . u v

r r 2 u, v Berarti berlaku : r 2 r 2 1 u v

r r yang didefinisikan diatas adalah sudut antara vektor u dan vektor v di ruang inner product V.
Contoh : Misalkan R4 mempunyai inner product Euclidian. Tentukan sudut antara vektor r r u = (4,3,1,-2) dengan vektor v = ( -2, 1, 2, 3 ). Jawab : r u = 42 + 32 + 12 + (-2) 2 = 16 + 9 + 1 + 4 = 30
r v = (-2) 2 + 12 + 2 2 + (3) 2 = 4 + 1 + 4 + 9 = 18

r r u , v = u1v1 + u2 v2 + u3v3 + u4 v4 = -8 + 3 + 2 - 6 = -9 r r u, v -9 -3 COS q = r r = = 30 18 2 15 u v

q = arc cos
c. Orthogonality Definisi :

-3 2 15

r r Dua vektor u dan v didalam suatu ruang inner product dikatakan orthogonal jika r r u, v = 0

contoh :
a b Jika M22 = a, b, c, d R dilengkapi dengan inner produk : c d

u u2 v1 v2 r r u , v = u1v1 + u2v2 + u3v3 + u4 v4 dimana U = 1 dan V = u3 u4 v3 v4 1 0 0 2 Tunjukkan bahwa : U = dan V = adalah orthogonal. 1 1 0 0 r r Jawab : u , v =1.0 + 0.2 + 1.0 + 1.0 = 0
\ U dan V orthogonal.

Teorema ( Generalized Theorema of Pythagoras ) r r Jika u dan v vector-vektor orthogonal di ruang inner product, maka beerlaku : r r 2 r2 r2 u+v u + v Bukti :

r r r r Karena u dan v vector-vektor orthogonal maka u , v = 0 . r r2 r r r r Berarti u + v = u + v , u + v

)(

r2 r r r = u + 2 u, v + v r2 r = u +0+ v
= e. Komplemen Orthogonal .
2

r2 r u + v

Definisi : Misalkan W subruang dari ruang inner product V. r Suatu vektor u V dikatakan orthogonal terhadap W apabila ia orthogonal terhadap semua vektor di W. Himpunan dari semua vektor di V yang orthogonal terhadap W disebut komplemen orthogonal dari W, dan dinotasikn oleh W ^ . Teorema berikut ini merupakan sifat-sifat dasar dari komplemen orthogonal. Teorema : Jika W adalah subruang dari ruang inner product V yang berdimensi hinggaa, maka berlaku sifat-sifat berikut : a. W ^ adalah subruang dari V. r b. Irisaan dari W dan W ^ adalah 0 saja. c. Komplemen orthogonal dari W ^ adalah W, atau ( W ^ ) = W. f. A Geometric Link between Nullspace and Rowspace. Teorema : Jikaq A adalah matriks m x n , maka : a. Nullspace dari A dan rowspace dari A adalah orthogonal complements didalam Rn terhadap inner product Euclidian. b. Nullspace dari AT dan colomnspace adalah orthogonal complements didalam Rm terhadap inner product Euclidian. Contoh : Misalkan W subruang dari R5 yang dibangun oleh vektor-vektor : uu r uu r uu r uu r w1 = ( 2, 2, -1,0,1) ; w2 = ( -1, -1, 2, -3, 1) ; w3 = (1,1, - 2,0, - 1) ; w4 = ( 0, 0,1,1, 1) Tentukan basis komplemen orthogonal dari W. Jawab : uu r uu r uu r uu r Misalkan w1 , w2 , w3 , w4 adalah vektor-vektor baris matriks A. Karena W dibangun oleh uu r uu r uu r uu r w1 , w2 , w3 dan w4 , maka W adalah ruang baris dari matriks A. Karena yang ditanyakan adalah basis komplemen orthogonal dari W, maka sesuai dengan teorema di atas, berarti basis yang harus kita cari adalah basis untuk ruang null ( nullspace) dari matriks A. 2 2 -1 0 1 -1 -1 2 -3 1 , akan dicari basis nullspace matriks A A= 1 1 -2 0 -1 0 0 1 1 1 A X = 0 . Ruang penyelesaiannya adalah nullspace matriks A.

 2 2 -1 0 1 1 1 -2 0 -1 1 1 -2 -1 -1 2 -3 1 -1 -1 2 -3 1 H (1) 0 0 0 21 H 13 ( 1 1 -2 0 -1 2 2 -1 0 1 H -2) 0 0 3 31 0 0 1 1 1 0 0 1 1 1 0 0 1 1 1 -2 0 -1 1 1 -2 0 -1 1 1 -2 ( 1 ) 0 0 0 -3 0 ( -1) 0 0 0 -3 0 (3) 0 0 0 H H H3 3 0 0 1 0 1 43 0 0 1 0 1 24 0 0 1 0 0 1 1 1 0 0 0 1 0 0 0 0 Jadi diperoleh persamaan : x 1 + x2 2 x3 x5 = 0 x 3 + x5 = 0 x4 = 0 misal x5 = s , maka x3 = - x5 = - s dan x1 + x2 2 x3 x5 = 0 x1 + x2 2 (-s) ( s ) = 0 x1 + x2 + s = 0 x1 = - x2 s , misal x2 = t , maka x1 = - t s

0 -3 0 1 0 0 0 1

-1 0 3 1 -1 0 1 0

x1 -t - s -1 -1 x2 t 1 0 \ x3 = - s = t 0 + s -1 x4 0 0 0 x s 0 1 5 -1 -1 1 0 Basis dari nullspace matriks A adalah : 0 , -1 0 0 0 1 Ini juga merupakan basis komplemen orthogonal dari W.

Jika r adalah sembarang vektor di ruang baris A, maka r dapat dinyatakan sebagai kombinasi linier dari vektor-vektor baris

r r r r r = c1 r1 + c2 r2 + ..... + cn rn
sehingga r v = (c1 r1 + c 2 r2 + ..... + c n rn ) v = c1 ( r1 v ) + c 2 (r2 v ) + ..... + c n ( rn v ) = 0 + 0 + + 0 = 0

r r

r v orthogonal ke semua vektor di ruang baris A

Contoh: Misal W adalah subruang dari 5 yang direntang oleh vektor-vektor

r r w1 = (2, 2, -1, 0, 1) , w2 = (-1, -1, 2, -3, 1), r r w3 = (1, 1, -2, 0, -1) dan w4 = (0, 0, 1, 1, 1)
Cari: basis untuk orthogonal komplement dari W Jawab: Ruang W yang direntang oleh vektor-vektor w1 , w2 , w3 , w4 adalah merupakan ruang baris dari matriks

2 2 -1 0 1 - 1 - 1 2 - 3 1 A= 1 1 - 2 0 - 1 1 1 1 0 0
Berdasarkan teorema 6. 2. 6 , orthogonal komplement dari W adalah nullspace dari matrik A. Sehingga basis untuk W+ adalah basis untuk nullspace dari matrik A dan didapat v1 = (-1, -1, 0, 0, 0) dan v2 = (-1, 0, -1, 0, 1)

Summary: Pada sembarang ruang hasil kali dalam V, ruang {0} dan ruang V saling orthogonal komplement

Jika A adalah matriks n x n maka Ax = 0 hanya mempunyai solusi trivial . Sehingga orthogonal komplement dari nullspace A adalah n atau ruang baris dari A adalah n

6.3 Basis ortonormal; Proses Gram-Schmidt ; Dekomposisi QR Definisi: Suatu himpunan vektor-vektor di ruang hasil kali dalam disebut himpunan ortogonal jika setiap pasang vektor yang berbeda di himpunan tersebut adalah ortogonal Suatu himpunan ortogonal dimana masing-masing vektor mempunyai norm 1 disebut himpunan ortonormal

Contoh: Kumpulan ortogonal di 3 1. Misal u1 =(0, 1, 0), u 2 = (1, 0, 1), u 3 = (1, 0, -1). Apakah himpunan S = {u 1 , u 2 , u 3 } ortogonal terhadap hasil kali dalam Euclid di 3 Jawab: u1 , u 2 = 0.1 + 1.0 + 0.1 = 0 , u 1 , u 3 = 0.1 + 1.0 + 0. - 1 = 0 ,

r r r

r r

r r

r r u 2 , u 3 = 1.1 + 0.0 + 1. - 1 = 1 - 1 = 0
Karena u 1 , u 2 = u1 , u 3 = u 2 , u 3 = 0 maka S = {u 1 , u 2 , u 3 } adalah himpunan ortogonal 2. Periksa apakah himpunan vektor-vektor dibawah ini ortogonal terhadap hasil kali dalam Euclid di 3

r r

r r

r r

r r r

1 2

,0,

1 2

), (

1 3

1 3

-1 3

) dan (

-1 2

,0,

1 2

2 1 -2 2 -2 1 1 2 2 ( , , ) , ( , , ) dan ( , , ) 3 3 3 3 3 3 3 3 3
(1, 0, 0), (1,

1 1 , ) dan (0, 0, 1) 2 2

1 1 -2 1 -1 , , ) dzn ( , ,0) 6 6 6 2 2

r v r r Jika v 0 adalah vektor disuatu ruang hasil kali dalam, maka vektor r mempunyai norm 1. v
1 r 1 r 1 r r v = r v = r v =1 v v v r r

Bukti:

Proses mengalikan suatu vektor v 0 dengan kebalikan dari norm-nya untuk memperoleh vektor yang panjangnya (norm-nya) 1 disebut normalisasi v

Contoh: Pembentukkan Himpunan Ortonormal 1. Untuk contoh 1 diatas didapat: u 1 = u1 , u1

r r

r r = 0 2 + 12 + 0 2 = 1 atau v1 = u1

r r r u 2 = u2 , u2

r u2 r (1,0,1) 1 1 = 0 + 1 + 1 = 2 , maka vektor v2 = r = =( ,0, ) dan u2 2 2 2

2 2 2

norm dari v2 adalah

r 1 1 1 1 v2 = + =1 +0+ = 2 2 2 2
r r r u 3 = u3 , u3
1

r u3 r (1,0,-1) 1 -1 = 1 + 0 + ( -1) = 2 maka vektor v3 = r = =( ,0, ) dan u3 2 2 2

2 2 2

r norm dari v3 adalah

r 1 -1 v3 = +0+ = 2 2
r r r

1 1 + =1 2 2

Dari contoh diatas kumpulan S = {u 1 , u 2 , u 3 } adalah himpunan ortogonal, maka himpunan

r r r T = {v1 , v 2 , v3 } adalah himpunan ortonormal.

2. Tunjukkan bahwa himpunan berikut ortogonal terhadap hasil kali dalam Euclid di 3 dan lakukan normalisasinya. a. { (-1, 2), (6, 3)} b.{ (1, 0, -1), (2, 0, 2), (0, 5, 0) }

Dalam suatu ruang hasil kali dalam, suatu basis yang terdiri dari vektor-vektor ortonormal dinamakan basis ortonormal, sedangkan basis yang terdiri dari vektor-vektor ortogonal dinamakan basis ortogonal

Contoh basis ortonormal yang biasa dikenal adalah: Basis standard di 3 i = (1, 0, 0), j = ( 0, 1, 0), k = (0, 0, 1) merupakan basis ortonormal. Basis standard di n e1 = (1, 0, ......0), e2 = (0, 1, 0,.......0), ......... en = (0, 0,.....,1) juga merupakan basis ortonormal.

Teorema berikut akan menunjukkan koordinat suatu vektor jika relatif terhadap basis ortonormal

Teorema 6.3.1 Jika S = {v1 , v 2 ,......, v n } adalah basis ortonormal untuk ruang hasil kali dalam V dan vektor sembarang u V , maka u = u , v1 v1 + u , v2 v2 + ........ + u , vn v n Bukti: Sebagai latihan

r r

r r r

r r r

r r r

r r r r r r r r (u ) S = ( u , v1 , u , v2 ,........, u , v n ) adalah koordinat vektor u terhadap basis S

Contoh: Koordinat vektor relatif terhadap basis ortonormal

1. Misal S = {v1 , v 2 , v3 } dengan v1 = (0, 1, 0) , v 2 = ( - ,0, ) , v3 = ( ,0, ) . Nyatakan vektor u = (1,

4 3 5 5 r r r 1, 1) sebagai kombinasi linier dari vektor di S = {v1 , v 2 , v3 }

r r r

3 5

4 5

Tunjukkan bahwa kumpulan S = {v1 , v 2 , v3 } merupakan basis ortonormal di 3 dengan hasil kali dalam Euclid .

r r r

Dihitung u , v1 = 1.0 + 1.1 + 1.0 = 1 , u , v 2 = 1. -

r r

r r

4 3 1 + 1.0 + 1. = - , 5 5 5

r r 3 4 7 u , v1 = 1. + 1.1 + 1. = 5 5 5
Maka didapat u = v1 -

1r 7r r 1 7 v 2 + v3 dan (u ) S = (1,- , ) 5 5 5 5

2. Buktikan S = {v1 , v 2 , v3 } dengan v1 = ( - , ,0) , v 2 = ( , ,0) , v3 = (0, 0, 1) merupakan basis ortonormal. Nyatakan vektor u = (1, -1, 2) sebagai kombinasi linier dari vektor di S 3. Nyatakan vektor u = (3, -7, 4) sebagai kombinasi linier dari vektor di S

r r r

3 4 5 5

4 3 5 5

Teorema 6.3.2 Jika S adalah basis ortonormal untuk ruang hasil kali dalam V berdimensi n dan (u ) S = (u 1 , u 2 ,...., u n ) ,

r (v ) S = (v1 , v 2 ,...., vn ) vektor-vektor di V maka berlaku:

1. 2. 3.

r 2 2 2 u = u12 + u 2 + u3 + ....... + u n v r d (u , v ) = (u1 - v1 ) 2 + (u 2 - v 2 ) 2 + ....... + (u n - v n ) 2

r r u , v = u1v1 + u 2 v2 + ........ + u n v n

Bukti: Sebagai latihan

Contoh: Menghitung Norm dengan menggunakan basis ortonormal

1. Jika u = (1, 1, 1) maka dengan menggunakan hasil kali dalam Euclid di 3 didapat

r u = u u

= 12 + 12 + 12 = 3
r 1 7 5 5

Jika S adalah basis ortonormal, maka didapat koordinat (u ) S = (1,- , ) (dari contoh diatas). Dengan menggunakan teorema diatas juga diperoleh u = 12 + (- ) 2 + ( ) 2 =

1 5

7 5

75 = 3 25

2. Misal S = {v1 , v 2 , v3 } dengan v1 = ( Buktikan:

r r r

1 1 1 1 1 -1 r 2 -1 r , , ) , v2 = ( , , ) , v3 = ( , ,0) . 6 6 6 6 6 6 6 6

S adalah basis ortonormal untuk 3 dengan hasil kali dalam yang didefinisikan sebagai

r r u , v = u1 v1 + 2u 2 v 2 + 3u 3 v 3 r r r Jika u = (1, -1, 2), hitung norm u secara langsung dan menggunakan vektor koordinat (u ) S

Jika S = {v1 , v 2 ,......, v n } adalah basis ortogonal untuk ruang vektor V dan setiap vektor vi dinormalisasi, maka diperoleh basis ortonormal S ' =

r r

r r r v1 v2 vn r , r ,........, r v1 v2 vn

Berdasarkan teorema 6.3.1, untuk sembarang u V dapat ditulis sebagai

r r r v1 u = u, r v1

r r v1 r v2 r + u, r v1 v2

r r v2 r vn r + ....... + u , r v2 vn

r vn r atau vn

r r r r r r u , v1 r u , v2 r u , vn r r r u = r 2 v1 + r 2 v 2 + ....... + r 2 vn . Ini menyatakan u sebagai kombinasi linier dari vektorv1 v2 vn r r r vektor basis ortogonal S = {v1 , v 2 ,......, v n }

Teorema 6.3.3

Jika S = {v1 , v 2 ,......, v n } adalah himpunan ortogonal di ruang hasil kali dalam V dengan vi 0, i, maka S bebas linier

r r

Bukti: Sebagai latihan Contoh: Untuk v1 = (0, 1, 0), v 2 = (

1 1 1 -1 r r r r ,0, ) dan v3 = ( ,0, ) , maka S = {v1 , v 2 , v3 } adalah 2 2 2 2

himpunan ortonormal terhadap hasil kali dalam Euclid di 3. Menurut teorema 6.3.3, S bebas linier, 3 ruang vektor berdimensi 3, maka S merupakan basis dan merupakan basis ortonormal

Teorema 6.3.4: Teorema Proyeksi Jika W adalah sub-ruang berdimensi hingga dari ruang hasil kali dalam V, maka setiap vektor u V dapat dinyatakan tepat satu cara sebagai u = w1 + w2 dimana w1 W dan w2 W

r r r r r r w1 disebut proyeksi ortogonal u pada W, w1 = projW u dan w2 disebut komponen u yang ortogonal r r ke W, w2 = projW u

Sehingga dapat ditulis u = projW u + projW u

r r r r r r r projW u = u - projW u maka didapat u = projW u + ( u - projW u ) yang di 3 dapat digambar seperti
gambar dibawah ini.

r u

r r u - projW u

r projW u

Teorema 6.3.5 Misal W adalah sub-ruang berdimensi hingga dari ruang hasil kali dalam V 1. Jika v1 , v 2 ,......, vr adalah basis ortonormal untuk W dan u V , maka

{r

r r r r r r r r r r projW u = u , v1 v1 + u , v2 v2 + ...... + u , vr v r r r r r 2. Jika {v1 , v 2 ,......,vr } adalah basis ortogonal untuk W dan u V , maka
r r r r u , v2 r r u , v1 r projW u = r 2 v1 + r 2 v2 + ....... + v1 v2 r r u , vr r r 2 vr vr

Contoh: Perhitungan proyeksi 3 dengan hasil kali dalam Euclid, W adalah sub-ruang yang direntang oleh vektor-vektor ortonormal

-4 3 r r r v1 = (0, 1, 0) dan v 2 = ( ,0, ) . Jika u = (1, 1, 1) maka 5 5 -1 - 4 3 4 -3 r r r r r r r projW u = u , v1 v1 + u , v 2 v 2 = (1)(0,1,0) + ( )( ,0, ) = ( ,1, ) 5 5 5 25 25 4 -3 21 28 r r r projW u = = u - projW u = (1, 1, 1) - ( ,1, ) = ( , 0, ) 25 25 25 25
Jika diperiksa maka projW u akan ortogonal dengan v1 dan v2

Teorema 6.3.6 Setiap ruang hasil kali dalam V berdimensi hingga selalu mempunyai basis ortonormal Bukti: Karena V berdimensi hingga n maka ada basis u 1 , u 2 ,......, u n . Untuk menghasilkan basis ortogonal digunakan proses Gram Schmidt berikut. Proses Gram-Schmidt: untuk u 1 , u 2 ,......, u n yang bebas linier Step 1: Tetapkan v1 = u1 Step 2: Mencari komponen u 2 yang ortogonal terhadap ruang W1 yang direntang oleh v1 , diperoleh vektor v2 yang ortogonal dengan v1 berdasarkan rumus

{r

{r

r r u 2 , v1 r r r r r v2 = u 2 - projW1 u 2 = u 2 - r 2 v1 v1

r r r r r r u 2 , v1 r u 2 , v1 r r r r r v 2 0 karena jika v 2 = 0 didapat u 2 = r 2 v1 = r 2 u1 yang berarti u 2 kelipatan dari v1 v1 r r r r u1 . Ini kontradiksi dengan {u 1 , u 2 ,......, u n } yang bebas linier

Step 3: Bentuk vektor v 3 yang ortogonal terhadap v1 dan v2 , yaitu dengan mencari komponen dari

r r r u 3 yang ortogonal terhadap ruang W2 yang direntang oleh v1 dan v2 . Dengan menggunakan
teorema 6.3.5 bagian 2 didapat:

r r r r u 3 , v1 r u 3 , v 2 r r r r r r r r v3 = u 3 - projW2 u 3 = u 3 - r 2 v1 - r 2 v2 Sesuai dengan step 2, karena {u 1 , u 2 ,......, u n } v1 v2 r r yang bebas linier maka v3 0

Step 4: Bentuk vektor v4 yang ortogonal terhadap v1 , v2 dan v 3 , yaitu dengan mencari komponen dari

r r

r r r r u 4 yang ortogonal terhadap ruang W3 yang direntang oleh v1 , v2 dan v3 . Dengan

menggunakan teorema 6.3.5 bagian 2 didapat:

r r r r r r u 4 , v1 r u 4 , v 2 r u 4 , v3 r r r r r v4 = u 4 - projW3 u 4 = u 4 - r 2 v1 - r 2 v 2 - r 2 v 3 v1 v2 v3
Proses dilanjutkan sampai diperoleh himpunan vektor yang ortogonal v1 , v 2 ,......, v n . Karena V berdimensi n dan setiap himpunan ortogonal bebas linier, maka didapat basis ortogonal v1 , v 2 ,......, v n Dengan menormalisasi setiap vektor di basis ortogonal akan didapatkan basis ortonormal .

{r

{r

Contoh: Jika 3 dengan hasil kali dalam Euclid mempunyai basis S = u1 , u 2 , u 3 dengan

{r

r r

r r r r r r u1 = (1, 1, 1), u 2 = (0, 1, 1) dan u 3 = (0, 0, 1). Maka ubahlah S menjadi basis ortonormal {q1 , q 2 , q 3 } .
Jawab: Step 1: v1 = u1 = (1, 1, 1),

r r u 2 , v1 r 2 2 1 1 r r r r Step 2: v2 = u 2 - projW1 u 2 = u 2 - r 2 v1 = (0, 1, 1) - (1, 1, 1) = (- , , ) 3 3 3 3 v1 r r r r u 3 , v1 r u 3 , v 2 r r r r r Step 3: v 3 = u 3 - projW2 u 3 = u 3 - r 2 v1 - r 2 v 2 v1 v2

1 1 2 1 1 1 1 r v3 = (0, 0, 1) - (1, 1, 1) - 3 (- , , ) = (0, - , ) 2 3 3 3 3 2 2 3
Sehingga didapat v1 , v 2 , v 3 basis ortogonal 3.

{r

r r

r v1 1 1 1 1 r q1 = r = (1, 1, 1) = ( , , ) 3 3 3 3 v1 r v2 3 2 1 1 -2 1 1 r q2 = r = (- , , ) = ( , , ) 6 3 3 3 6 6 6 v2
r v3 1 1 -1 1 r r r r q 3 = r = 2 (0, - , ) = (0, , ) dan {q1 , q 2 , q 3 } adalah basis ortonormal 3 2 2 2 2 v3

Catatan: Dari proses Gram-Schmidt dapat dilihat bahwa untuk k 2 , {q1 , q 2 ,......, q k } adalah basis ortonormal untuk ruang vektor yang direntang oleh u 1 , u 2 ,......, u k vektor q k ortogonal terhadap {u1 , u 2 ,......, u k -1 }

r r r

{r

r r

Dekomposisi QR Problem: Jika A adalah matriks m x n dengan vektor-vektor kolom yang bebas linier dan Q adalah matriks dengan vektor-vektor kolom yang ortonormal hasil dari proses Gram-Schmidt dari vektor kolom A. Maka akan dilihat hubungan antara A dan Q

Misal vektor-vektor kolom dari A adalah {u1 , u 2 ,......, u n } dan vektor-vektor kolom yang ortonormal dari Q adalah {q1 , q 2 ,......, q n }

r r

r r

r r r r r A = [u1 u 2 ...... u n ]] dan Q = [q1 q 2 ,...... q n ]

Berdasarkan teorema 6.3.1 dapat ditulis:

r r r r r r r r r r u1 = u1 , q1 q1 + u1 , q 2 q 2 + ........ + u1 , q n q n r r r r r r r r r r u 2 = u 2 , q1 q1 + u 2 , q 2 q 2 + ........ + u 2 , q n q n

: :

r r r r r r r r r r u n = u n , q1 q1 + u n , q 2 q 2 + ........ + u n , q n q n
Atau

[u

r r r r r u 2 ...... u n ]] = [q1 q 2 ,...... q n ]

r r u1 , q1 r r u1 , q 2 M r r u1 , q n

r r u 2 , q1 r r u 2 , q2 M r r u1 , q n

........ ........ M .........

r r u n , q1 r r u n , q2 atau A = Q R M r r u1 , q n

Karena vektor q k ortogonal terhadap {u1 , u 2 ,......, u k -1 } untuk setiap k 2 maka didapat

r r

r r u1 , q1 0 R= M 0

r r u 2 , q1 r r u2 , q2 M 0

........ ........ M .........

r r u n , q1 r r u n , q2 M r r u1 , q n

Teorema 6.3.7 ( Dekomposisi QR ) Jika A adalah matriks m x n dengan vektor-vektor kolom yang bebas linier, maka A dapat dinyatakan sebagai A = QR dimana Q adalah matriks m x n dengan vektor kolomnya ortonormal dan R matriks n x n yang berupa matriks segitiga atas yang invertible

Contoh:

1 0 0 Jika A = 1 1 0 , dan det A 0 maka vektor-vektro kolom A bebas linier yaitu; 1 1 1

1 0 0 r r r u1 = 1 , u 2 = 1 dan u 3 = 0 . 1 1 1
Dengan proses Gram-Schmidt diperoleh vektor-vektor ortonormal

1 - 2 0 3 6 r 1 r r - 1 1 q1 = ,q = dan q 3 = 3 2 6 2 1 1 1 2 3 6
Sehingga didapat matriks

r r u1 , q1 0 R= M 0

r r u 2 , q1 r r u2 , q2 M 0

........ ........ M .........

r r u n , q1 3 r r 3 u n , q2 = 0 M r r 0 u1 , q n

2 3 2 6 0

3 1 6 1 2 1

Dekomposisi Q R dari A adalah

1 1 0 0 3 = 1 A= 1 1 0 3 1 1 1 1 3

-2

0 6 1 -1 6 2 1 1 32 6

3 3 0 0

2 3 2 6 0

3 1 6 1 2 1

6.4 Best Approximation: Least Square Misal P adalah titik di R3, W adalah bidang yang melalui titik asal, titik Q adalah titik yang terdekat dengan titik P Jika u = OP maka projW u = OQ dan u - projW u adalah jarak minimal antara titik P dengan bidang W

Misal u akan di aproksimasi oleh vektor di W, berarti akan ada vektor error yaitu u - w dengan

r r r r r w W . Aproksimasi terbaik dari u adalah vektor yang mempunyai u - w minimal yaitu projW u
Teorema 6.4.1: Teorema Aproksimasi Terbaik Jika W adalah subspace berdimensi hingga dari suatu ruang hasil kali dalam V, dan jika u adalah vektor di V maka projW u adalah aproksimasi terbaik dari u di W karena u - projW u < u - w untuk w W yang berbeda dengan projW u Bukti:

r r r r r r r "w W dapat ditulis u - w = (u - projW u ) + (projW u - w) dengan r r r r (u - projW u ) W ^ dan (projW u - w) W

Sehingga (u - projW u ) dan (projW u - w) saling ortogonal yang sesuai dengan teorema Pythagoras berlaku:

r r u-w

r r = u - projW u

r r + projW u - w

Jika w projW u maka projW u - w > 0 . Sehingga didapat u - w

r r > u - projW u

atau

r r r r r r r u - w > u - projW u atau u - w > u - proj

r u

Least Square Problem Diberikan suatu sistem persamaan linier Ax = b dengan m persamaan dan n unknown, akan dicari vektor x yang meminimumkan Ax - b terhadap hasil kali dalam Euclid di m. Vektor x dinamakan solusi least-square dari persamaan Ax = b

Misal W ruang kolom dari A. Untuk setiap matriks x berukuran n x 1, perkalian Ax adalah kombinasi linier dari vektor-vektor kolom dari A.

Karena vektor x bervariasi di n, maka vektor Ax juga bervariasi dari semua kemungkinan kombinasi linier dari vektor-vektor kolom A yaitu vektor Ax bervariasi dari seluruh ruang kolom W. Secara geometri, mencari vektor x sedemikian sehingga Ax adalah vektor terdekat dengan b yaitu

r r r Ax - b minimal merupakan least-square problem atau x adalah solusi least-square.

Teorema 6.4.1 mengatakan agar x menjadi solusi least square dari Ax = b maka Ax = proyW b

r r r r b - Ax = b - proyW b adalah ortogonal terhadap ruang kolom A.

Sesuai dengan teorema 6.2.6 maka b - Ax ada di nullspace dari AT. Sehingga AT (b - Ax ) = 0 atau

r A T Ax = AT b persamaan ini disebut sistem normal yang bersesuaian dengan

r r Ax = b
Catatan: Sisten normal terdiri dari n persamaan dengan n unknown Sisten normal konsisten karena dipenuhi oleh persamaan Ax = b Sisten normal mungkin mempunyai banyak solusi.

Teorema 6.4.2: Untuk sembarang sistem persamaan linier Ax = b , sistem normal yang bersesuaian

r AT Ax = AT b selalu konsisten dan semua solusi dari sistem normal adalah solusi Least-square r r dari Ax = b r Jika W adalah ruang kolom dari A dan x adalah sembarang solusi Least-square dari r r r r r Ax = b maka proyeksi ortogonal dari b pada W adalah proyW b = Ax

Teorema 6.4.3: Jika A adalah matriks m x n, maka persamaan berikut ekivalen

1. A mempunyai vektor kolom yang bebas linier 2.

AT A invertible

Bukti:

(1) (2)
A mempunyai vektor kolom yang bebas linier maka AT A berukuran n x n Akan dibuktikan AT A invertible atau persamaan AT Ax = 0 mempunyai solusi trivial. Jika x adalah solusi dari AT Ax = 0 , maka

r r Ax ada di nullspace AT atau Ax ada di ruang kolom A

r r Ax = 0 karena null-space dari AT dan ruang kolom A saling ortogonal komplement r r r r Ax = 0 dan A mempunyai vektor kolom yang bebas linier maka x = 0 .
Jadi AT Ax = 0 hanya mempunyai solusi trivial atau AT A invertible

(2) (1)

r r r r AT A invertible, maka AT Ax = 0 hanya mempunyai solusi trivial x = 0

Akan dibuktikan A mempunyai vektor kolom yang bebas linier atau Ax = 0 hanya mempunyai solusi trivial x = 0 Misal x adalah solusi dari Ax = 0 , maka A T Ax = AT (0) = 0 . Karena AT A invertible maka x = 0 atau A mempunyai vektor kolom yang bebas linier

Teorema 6.4.4 (Ketunggalan dari solusi Least Square)

Jika A adalah matriks m x n dengan vektor kolom yang bebas linier maka untuk setiap matriks b (n x 1), sistem persamaan linier Ax = b mempunyai solusi Least Square yang unik yaitu

r r x = ( A T A) -1 AT b
Jika W ruang kolom dari A maka proyeksi ortogonal dari b pada W adalah

r r r projW b = Ax = A( AT A) -1 AT b

Contoh:

x1 - x 2 = 4 r 1. Cari solusi Least Square dari sistem linier 3 x1 + 2 x 2 = 1 dan cari proyeksi ortogonal dari b pada - 2 x1 + 4 x 2 = 3
ruang kolom dari A Jawab:

A=

1 3 -2

-1 4 r 2 dan b = 1 4

Vektor-vektor kolom A bebas linier, maka solusi Least Square yang unik.

1 3 -2 A A= -1 2 4
T

-1 14 - 3 2 = - 3 21 -2 4 4 1 = 3

1 3

r 1 3 -2 A b= -1 2 4
T

1 10

Sistem normal A T Ax = AT b menjadi

14 - 3 - 3 21

x1 1 = x2 10

Sehingga didapat x1 =

r 17 143 dan proyeksi ortogonal b pada ruang kolom A adalah , x2 = 95 285

r Ax =

1 3 -2

-1 2 4

- 92 285 95 = 439 285 143 285 94 57 17

2. Cari proyeksi ortogonal vektor u = (-3, -3, 8, 9) pada subruang dari 4 yang direntang oleh vektorvektor u1 = ( 3, 1, 0, 1) u 2 = (1, 2, 1, 1) u 3 = (-1, 0, 2, - 1) Jawab: W subruang dari 4 yang direntang oleh vektor-vektor u1 , u 2 , u 3 adalah ruang kolom dari matriks

r r r

A=

3 1 -1 1 2 0 0 1 2 1 1 -1

dan u =

-3 -3 8 9

Proyeksi u pada subruang tersebut projW b = Ax (Lanjutkan)

Definisi: Jika W adalah subruang dari m, maka transformasi P : R m W yang memetakan setiap vektor

r r x Rm ke proyeksi ortogonal projW x di W disebut proyeksi ortogonal dari m pada W.

Matriks standard untuk proyeksi ortogonal dari m pada W adalah [P ] = A( AT A) -1 AT dimana A dibentuk dengan menggunakan sembarang basis untuk W sebagai vektor-vektor kolom.

Contoh:

Matriks standard untuk proyeksi ortogonal di 3 pada bidang xy adalah

1 0 0 [P ] = 0 1 0 0 0 0 1 r Jika W = bid xy, ambil u 1 = 0 0 1 0 1 0 0 [ A] = 0 1 , A T A = 0 1 0 0 0 0 r , u 2 = 1 sebagai basis untuk W maka 0

1 0 0 1 0 0 =

1 0 0 1

1 0 1 0 0 1 0 0 [P ] = A( A A) A = 0 1 I = 0 1 0 0 1 0 0 0 0 0 0
T -1 T

6.5 Matriks Ortogonal dan Perubahan Basis Definisi: Suatu matriks bujur sangkar A disebut matriks ortogonal jika bersifat A -1 = AT Matriks bujur sangkar A ortogonal AAT = AT A = I

Contoh:

1
1. A =

-1 2 2 2 maka AAT = 1 2

1 2 1 2

-1 2 1 2 1 1 2 -1 2 1

1 2 -1 2

2 = 1 0 1 0 1 2

Jadi A disebut matriks ortogonal dan A =

-1

2 2

2. Periksa ortogonalitas dari matriks dibawah ini dan cari A -1

0 1
a. 1

1 2 0 1 2
b.

-1 2 0 1 2

1 6 -2 6 1 6

1 3 1 3 1 3

0 0 0

Teorema 6.5.1 Pernyataan berikut ekivalen untuk matriks A (n x n) (a) A ortogonal (b) Vektor-vektor baris dari A membentuk himpunan ortonormal di n dengan hasil kali dalam Euclid (c) Vektor-vektor kolom dari A membentuk himpunan ortonormal di n dengan hasil kali dalam Euclid

Teorema 6.5.2 (a) Invers dari matriks ortogonal juga ortogonal (b) Perkalian matriks-matriks ortogonal juga ortogonal (c) Jika A ortogonal maka det (A) = 1 atau det (A) = -1

Teorema 6.5.2

Pernyataan berikut ekivalen untuk matriks A (n x n) (a) A ortogonal

r r r Ax = x , x R n r r r r r r (c) Ax Ay = x y x , y R n
(b)

Bukti:

( a ) (b )
A ortogonal , maka AT A = I

r r r 1 r r 1 r r 1 r Ax = ( Ax Ax ) 2 = ( x AT Ax ) 2 = ( x x ) 2 = x
(b) (c) Diket. Ax = x , " x R n

r r 1 r r 2 1 r r Ax Ay = Ax + Ay Ax - Ay 4 4 1 r r 2 1 r r = A( x + y ) A( x - y ) 4 4 1 r r 2 1 r r 2 = x+ y x-y 4 4 r r = xy

(c) (a) Diket. Ax Ay = x y

r r

r r "x , y R n

r r r r r r r r r r x y = Ax Ay = x AT Ay x AT Ay - x y = 0

r r r x ( A T Ay - y ) = 0 r r x ( AT A - I ) y = 0

Karena berlaku untuk sembarang x maka berlaku juga untuk

r r r r x = ( AT A - I ) y , sehingga ( AT A - I ) y ( AT A - I ) y = 0
dari sifat inner product diperoleh:

r ( AT A - I ) y = 0
Persamaan ini berlaku untuk sembarang y R n , sehingga

A T A - I = 0 atau AT A = I A orthogonal

Jika T : R n R n adalah perkalian oleh matrix orthogonal A, maka T disebut operator orthogonal pada

Rn.
Dari Teorema 6.5.3 operator orthogonal pada R n tidak mengubah panjang vektor. \ pencerminan dan rotasi di R 2 dan R 3 mempunyai matrix standard yang orthogonal.

Misal S = {v1 , v 2 ,..., v n } adalah basis untuk ruang vektor V , maka " v V dapat dinyatakan sebagai:

r r

r r r r v = k1v1 + k 2 v 2 + k n vn
k1 k = 2 disebut matrix koordinat dari v relatif terhadap S. M k n

dengan

r [v ]S

Masalah Perubahan Basis: Jika basis dari suatu ruang vector di ubah dari basis lama B menjadi basis baru B, apa hubungan antara

r r [v ]B dan [v ]B ' ?
Misal B = {u1 , u 2 } dan B' = {v1 , v2 } ,

r r

r r

B = basis lama, B = basis baru

Misalkan [v1 ]B = b dan [v 2 ]B = d

r r r v1 = au1 + bu 2 yaitu r r r v2 = cu1 + du 2

Misal v V dan [v ]B ' = k atau v = k1v1 + k 2 v 2 2 sehingga v = k1 ( au1 + bu 2 ) + k 2 (cu1 + d u 2 )

k1

r r = ( k1 a + k 2 c)u1 + (k1b + k 2 d )u 2
berarti [v ]B = k b + k d = b 1 2 = [[v1 ]B

k1 a + k 2 c

c k1 d k 2

r r [v 2 ]B ] [v ]B '

Secara umum: Jika kita mengubah basis lama dari suatu ruang vektor V, B = u1 , u 2 ,..., u n menjadi basis baru B' = v1 , v2 ,.., vn maka v B = P v

}
B

[]

[]

B'

dimana P adalah matrix yang kolom-kolomnya adalah matrix koordinat vektor-vektor basis baru terhadap basis lama, yaitu v1 B , v 2

[ ] [ ] ,..., [v ] .
n B

P disebut matrix transisi basis dari B ke B.

Contoh:

B = u1 , u 2 dan B' = v1 , v2 adalah basis untuk R 2 ,

{ }

{ }

dengan u1 = 0 , u 2 = 1 , v1 = 1 , v 2 = 4 Misal P adalah matrix transisi dari B ke B P= v1

- 3

[ ] [v ] ]
B 2 B

v1 = au1 + bu 2 v1 v2 = cu1 + d u 2
Maka P =

[]

2 = , 1

[v ]

2 B

- 3 = 4

2 - 3 1 4

Jika w = Cara I :

3 cari w B dan w B ' - 5

[]

[]

[]

w = k1 u1 + k 2 u 2 2 - 3 1 4 3 3 - 311 w = P w = w w = 3 B B' B' 1 4 B' = - 13 11 wB = 1 2 5 11 5

[]

[]

[]

[]

Cara II : (secara langsung)

w = c1 v1 + c2 v 2 3 2 - 3 - 5 = c1 1 + c2 4 2c1 - 3c 2 = 3 c1 + 4c 2 = -5
- 3 11 \ w B' = 13 11

c1 = - 3 11 c2 = - 13 11

[]

Misal Q adalah matrix transisi dari B ke B, maka

Q = u1

[[ ] [u ] ]
B' 2 B'

u1 = a v1 + bv 2 u1 u 2 = c v1 + d v 2

[]

B'

4 = 11 , -1 11

[u ]

2 B'

3 3 4 11 = 11 Q = 11 2 1 2 11 11 11

PQ =

4 3 1 0 2 - 3 11 11 = 0 1 1 2 1 4 - 11 11

\ Q = P -1

Teorema 6.5.4. Jika P adalah matrix transisi dari suatu basis B ke B maka: a. P invertible b. P-1 adalah matrix transisi dari B ke B

Teorema 6.5.5 Jika P adalah matrix transisi dari suatu basis ortonormal ke basis ortonormal lain pada suatu ruang vektor, maka P adalah matrix orthogonal, yaitu: P-1 = P T

7. NILAI EIGEN DAN VEKTOR EIGEN 7.1. Nilai eigen dan vektor eigen
Definisi : Jika A suatu matrix n n, maka vektor x 0 , x R n , disebut vektor eigen dari A jika Ax adalah kelipatan skalar dari x, yaitu:
Ax = l x

untuk l skalar. l disebut nilai eigen dari A dan x disebut vektor eigen yang bersesuaian dengan l. Secara geometris di R2, dapat digambarkan sebagai berikut:

Contoh 1. 3 0 1 A= , x = 8 -1 2 3 0 1 3 1 karena Ax = = = 3 = 3x 8 -1 2 6 2 1 maka l = 3 adalah nilai eigen dari A, dengan vektor eigen x = 2 Untuk mencari nilai eigen dari Ann , tulis Ax = l x sebagai:

Ax = l Ix (l I - A) x = 0

...(7.1)

dan agar l menjadi nilai eigen, maka solusi dari (7.1) haruslah vektor x 0 , hal ini dapat terpenuhi jika:

det(l I - A) = 0

...(7.2)

Persamaan (7.2) disebut persamaan karakteristik dari A.

Jika persamaan (7.2) diuraikan, maka diperoleh suatu polinomial dalam l, sehingga

det(l I - A) = 0 disebut juga polinomial karakteristik dari A.

Untuk kasus Ann, det(l I - A) = 0 dapat diuraikan menjadi
det(l I - A) = l n + c1l n -1 + ... + cn = 0

...(7.3)

yaitu polinomial berderajat n dengan koefisien pangkat tertinggi l n adalah 1. Dari (7.3) diperoleh bahwa A mempunyai paling banyak n nilai eigen yang berbeda. Contoh 2.

l -4 0 -1 4 0 1 A = -2 1 0 , det(l I - A) = 2 l -1 0 -2 0 1 2 0 l -1 = (l - 4)(l - 1)(l - 1) + 2(l - 1)

=l 3 - 6l 2 + 11l - 6 = 0 \ l 3 - 6l 2 + 11l - 6 = 0 adalah persamaan karakteristik dari A

Nilai Eigen Matrix Segitiga Teorema 7.1.1. Jika A adalah matrix segitiga (segitiga atas, segitiga bawah atau diagonal) berukuran n n, maka nilai eigen dari A adalah entri-entri pada diagonal utama dari A. Contoh 3. 12 A = -1 5 0 2 3 0 1 2 1 0 , nilai eigen l = , l = , l =2 3 4 1 - 4

-8

Teorema 7.1.2. Jika A adalah matrix n n dan l adalah bilangan real, maka pernyataan berikut ekivalen. a. l adalah nilai eigen dari A b. Sistem persamaan linear (l I - A) x = 0 c. $ x 0 R n ' Ax = l x d. l adalah solusi dari det(l I - A) = 0 mempunyai solusi nontrivial

Mencari Basis dari Ruang Eigen Telah diketahui bahwa masalah mencari nilai eigen berkembang menjadi masalah mencari vektor eigen. Vektor eigen dari suatu matrix A yang bersesuaian dengan nilai eigen l , adalah vektor tak nol yang memenuhi Ax = l x atau vektor eigen tersebut merupakan solusi dari (l I - A) x = 0 . Ruang solusi dari (l I - A) x = 0 disebut ruang eigen dari A yang bersesuaian dengan l. Contoh 4.
0 0 -2 Cari basis ruang eigen dari A = 1 2 1 1 0 3

Jawab: persamaan karakteristik dari A adalah l 3 - 5l 2 + 8l - 4 = 0 (l - 1)(l - 2) 2 = 0 \nilai eigen dari A adalah l = 1 dan l = 2 untuk l = 2

( l I - A) x = 0
2 0 2 x1 0 -1 0 -1 x2 = 0 -1 0 -1 x 0 3
sistem di atas mempunyai solusi x1 = - s , x2 = t , x3 = s maka vektor-vektor eigen dari A yang bersesuaian dengan l = 2 adalah
-s -1 0 x = t = s 0 + t 1 s 1 0 -1 0 karena 0 dan 1 saling bebas linear, maka vektor-vektor tersebut membentuk 1 0

basis untuk ruang eigen yang bersesuaian dengan l = 2. untuk l = 1

( l I - A) x = 0
1 0 2 x1 0 -1 -1 -1 x2 = 0 -1 0 -2 x 0 3
sistem di atas mempunyai solusi x1 = -2s , x2 = s , x3 = s

maka vektor-vektor eigen dari A yang bersesuaian dengan l = 1 adalah

-2 s -2 x = s = s 1 s 1 -2 maka vektor 1 membentuk basis untuk ruang eigen l = 1. 1

Nilai Eigen dari Pangkat Suatu Matrix Teorema 7.1.3. Jika k suatu bilangan bulat, l suatu nilai eigen dari A dan x vektor eigen yang bersesuaian, maka lk adalah nilai eigen dari Ak dengan x vektor eigen yang bersesuaian.

Sebagai ilustrasi: Misalkan l dan x adalah nilai dan vektor eigen yang bersesuaian dari A, maka A2 x = A( Ax ) = A(l x ) = l ( Ax) = l (l x ) = l 2 x

Contoh 5.
0 0 -2 Dari contoh 4, diperoleh nilai eigen dari A = 1 2 1 adalah l = 2 dan l =1 1 0 3

Maka l = 27 = 128 dan l =17 = 1 adalah nilai eigen dari A7. Sedangkan vektor-vektor eigen dari A yang bersesuaian dengan l, juga merupakan vektor-vektor eigen dari A7.

Nilai Eigen dan Invertible Teorema 7.1.4. Suatu matrix bujur sangkar A invertible jika dan hanya jika l = 0 bukan suatu nilai eigen dari A. Bukti: Asumsikan Ann dan perhatikan bahwa l = 0 adalah suatu solusi dari persamaan karakteristik

l n + c1l n -1 + ... + cn = 0, jika dan hanya jika suku konstan cn = 0.

Maka untuk membuktikan A invertible, cukup dengan membuktikan cn 0.

Tapi det(l I - A) = l n + c1l n -1 + ... + cn , maka untuk l = 0 maka det(-A) = cn atau (-1) n det( A) = cn Sehingga det(A) = 0 jika dan hanya jika cn = 0. Jadi A invertible jika dan hanya jika cn 0.

7.2. Diagonalisasi
Masalah vektor eigen Diberikan matrix A berukuran n n, apakah terdapat suatu basis untuk Rn yang terdiri dari vektorvektor eigen dari A Masalah diagonalisasi (bentuk matrix) Diberikan matrix A berukuran n n, apakah terdapat suatu matrix invertible P sedemikian sehingga P-1AP adalah matrix diagonal Definisi Suatu matrix bujur sangkar A dikatakan dapat didiagonalisasi jika terdapat matrix P sedemikian sehingga P-1AP adalah matrix diagonal. Matrix P dikatakan mendiagonalisasi A. Teorema 7.2.1. Jika A adalah matrix n n, maka pernyataan berikut ekivalen a. A dapat didiagonalisasi b. A mempunyai n vektor eigen yang bebas linear Bukti: Prosedur untuk mendiagonalisasi suatu matrix An n : 1. Cari n vektor eigen dari A yang bebas linear, misalkan p1, p2, , pn. 2. Bentuk matrix P dengan p1, p2, , pn sebagai vektor-vektor kolomnya. 3. Diperoleh matrix P-1AP adalah matrix diagonal dengan l1, l2, , ln sebagai entri-entri diagonal utamanya, dimana li adalah nilai eigen yang bersesuaian dengan pi, i = 1,2,, n Contoh 1: 1 0 Cari matrix P yang mendiagonalisasi matrix A = 6 - 1 Jawab: l -1 0 det(lI - A) = = (l + 1)(l - 1) = 0 - 6 l +1 Maka nilai eigen dari A adalah l = 1 dan l = -1. Untuk l = 1 (lI - A) x = 0

, misalkan

Basis

Untuk l = -1 (lI - A) x = 0 , misalkan Basis

A matrix 22 dan mempunyai 2 vektor eigen yang bebas linear, maka A dapat di diagonalisasi dengan matrix Check: Teorema 7.2.2 Jika adalah vektor-vektor eigen dari A yang bersesuaian dengan bebas linear.

maka

Cara lain untuk menentukan apakah suatu matrix dapat didiagonalisasi atau tidak, adalah dengan menentukan dimensi dari ruang eigen. Contoh 2: (dari contoh 1) ruang eigen untuk l = 1 adalah ruang solusi dari Matrix koefisiennya mempunyai rank =1 , sehingga nulitas = 2-1 = 1 terdapat 1 vektor basis dimensi ruang eigen l = 1 adalah 1. ruang eigen dari l = -1 adalah ruang solusi dari , maka rank =1 , dan nulitas = 2-1 = 1 terdapat 1 vektor basis. dimensi ruang eigen l = -1 adalah 1. Jadi total dimensi ruang eigen = 2 terdapat 2 vektor eigen yang bebas linear A dapat didiagonalisasi Teorema 7.2.3. Jika An n mempunyai n nilai eigen yang berbeda, maka A dapat didiagonalisasi. Contoh 3: , = Diperoleh l = 4, l = 2 + dan l = 2 Karena A matrix 33 mempunyai 3 nilai eigen yang berbeda, maka A dapat didiagonalisasi dimana .

Apakah matrix n n yang tidak mempunyai n nilai eigen yang berbeda tidak dapat didiagonalisasi? Contoh 4:

0 0 - 2 A = 1 2 1 , det(lI - A) = (l - 1)(l - 2) 2 = 0 1 0 3 2 0 2 x1 0 Untuk l=2 - 1 0 - 1 x 2 = 0 rank = 1, nulitas = 2, Dim ruang eigen = 2 - 1 0 - 1 x 0 3 0 2 x1 0 1 Untuk l=1 - 1 - 1 - 1 x 2 = 0 rank = 2, nulitas = 1, Dim ruang eigen = 1 - 1 0 - 2 x 0 3 Total dimensi ruang eigen = 3 terdapat 3 vektor eigen bebas linear A dapat didiagonalisasi.
Contoh 5:

1 0 0 A = 1 2 0 , det(lI - 3 5 2 0 0 Untuk l=2 - 1 - 1 3 -5

- A) = (l - 1)(l - 2) 2 = 0 0 x1 0 0 x 2 = 0 rank = 2, nulitas = 1, Dim ruang eigen = 1 - 1 x3 0

0 0 x1 0 1 Untuk l=1 - 1 0 0 x 2 = 0 rank = 2, nulitas = 1, Dim ruang eigen = 1 3 - 5 0 x 0 3 Total dimensi ruang eigen = 2 terdapat 2 vektor eigen bebas linear A tidak dapat didiagonalisasi.
Multiplisitas geometri dari l0 adalah dimensi dari ruang eigen yang bersesuaian dengan l0 Multiplisitas aljabar dari l0 adalah jumlah (l-l0 ) muncul sebagai faktor dari polinomial karakteristik dari A. Teorema 7.2.4. 1. Untuk setiap nilai eigen dari A multiplisitas geometris multiplisitas aljabar 2. A dapat didiagonalisasi jika dan hanya jika multiplisitas geometri = multiplisitas aljabar, untuk setiap nilai eigen Jika A adalah matrix n n dan P matrix invertible, maka ( P -1 AP) 2 = ( P -1 AP)( P -1 AP) = P -1 A( PP -1 ) AP = P -1 A 2 P Secara umum: ( P -1 AP) K == P -1 A K P Maka jika A dapat didiagonalisasi dan P-1AP = D matrix diagonal, P -1 A K P = ( P -1 AP) K = D K A K = PD K P -1

 d1 0 Jika D = M 0
Contoh 6:

0 d2 M 0

L 0 d 1K L 0 0 K maka D = O M M 0 L dn

0 d 2K M 0

L 0 L 0 O M L d 2K

1 0 25 Jika A = 6 1 maka hitung A

1 1 0 0 dan D = 3 Jawab : dari contoh sebelumnya diperoleh P = 0 - 1 1 1 25 1 125 0 3 0 1 0 3 0 1 0 0 25 25 -1 3 3 Maka A =PD P = = 0 - 1 - 3 1 1 1 0 - 125 - 3 1 1 1 1 1 0 3 0 1 0 0 3 = = 1 1 0 - 1 - 3 1 6 1

7.3. Diagonalisasi Ortogonal

Masalah vektor eigen yang ortonormal: Diberikan matrix A berukuran n n, apakah terdapat basis ortonormal untuk Rn dengan hasil kali dalam Euclid yang terdiri dari vektor-vektor eigen dari A? Masalah diagonalisasi orthogonal: Diberikan matrix An n, apakah terdapat matrix orthogonal P sedemikian sehingga P-1AP = PTAP diagonal? A dikatakan dapat didiagonalisasi secara orthogonal dan P mendiagonalisasi A secara orthogonal. Teorema 7.3.1. Jika A adalah matrix n n, maka pernyataan berikut ekivalen a. A dapat didiagonalisasi secara orthogonal b. A mempunyai himpunan ortonormal dari n vektor eigen c. A simetris Bukti: (ac)

A didiagonalisasi secara orthogonal terdapat matrix orthogonal P, dan matrix diagonal D ' P-1AP = D. maka A=PDP-1 = PDPT (karena P orthogonal) Sehingga AT= ( PDPT )T = (PT)T DTPT = PDPT = A Jadi A simetris.

Teorema 7.3.2. Jika A adalah matrix simetris, maka: a. Nilai eigen dari A adalah bilangan real b. Vektor-vektor eigen dari ruang eigen yang berbeda, saling orthogonal. Bukti: r r b. Misalkan v1 vektor eigen untuk l1, v2 vektor eigen untuk l2, dengan l1 l2

r r Adib. v1 v2 = 0 r r r r r r A v1 v2 = v1 AT v2 = v1 A v2 (karena A simetris) r r r r r r r r r r l1 v1 v2 = v1 l2 v2 l1 (v1 v2 ) = l2 (v1 v2 ) (l1 - l2) (v1 v2 ) = 0 r r Karena l1 l2 maka (v1 v2 ) = 0
Diagonalisasi matrix simetris: 1. Cari basis untuk setiap ruang eigen dari A 2. Gunakan proses GramSchmidt dan normalisasi untuk mendapatkan basis ortonormal 3. Bentuk matrix P dengan vektor basis (yang diperoleh dari no.2) sebagai vektor kolomnya. Contoh 7: (Latihan 7.3, no.6) l -1 -1 0 1 1 0 A = 1 1 0 , det(lI - A) = - 1 l - 1 0 = l2 (l - 2 ) 0 0 0 0 0 l Nilai eigen l=0 dan l=2 - 1 - 1 0 1 1 0 l = 0 - 1 - 1 0 0 0 0 x 2 = s, x3 = t , x1 = - x 2 = - s 0 0 0 0 0 0

- s - 1 0 - 1 0 x = s = s 1 + t 0 p1 = 1 , p 2 = 0 t 0 1 0 1 1 -1 0 1 -1 0 l = 2 - 1 1 0 0 0 0 x 3 = 0, x1 = x 2 = s 0 0 2 0 0 2 s 1 1 x = s = s 1 p 3 = 1 0 0 0 Karena p1 ^ p 2 ^ p3 , maka lakukan proses normalisasi:

-1 2 p1 1 , v1 = = 2 p1 0 - 1 2 Maka P = 1 2 0 0 0 1

v2 =

p2 p2

1 0 2 p3 1 = 0 , v3 = = 2 p 3 1 0

2 1 mendiagonalisasi A secara orthogonal. 2 0 1

- 1 2 T Check: P AP = 0 1 2

1 2 0 1 2

- 1 0 1 1 0 2 1 1 1 0 1 2 0 0 0 0 0

0 0 1

0 0 0 2 1 = 0 0 0 2 0 0 0 2 1

8. TRANSFORMASI LINIER
8.1. TRANSFORMASI LINIER UMUM Definisi: Jika T : V W adalah suatu fungsi dari suatu ruang vektor V ke ruang vektor W, maka T disebut transformasi linier dari V ke W jika untuk semua vektor u dan v di V dan semua skalar c berlaku: a. T( u + v ) = T( u ) + T( v ) b. T( c u ) = c T( u ) Jika V = W, maka T : V V disebut operator linier. Contoh: 1. Buktikan bahwa pemetaan T : V W ' T( v ) = 0 untuk " v V adalah transformasi linier , dimana V dan W adalah ruang vektor. T dalam hal ini disebut trnasformasi nol. 2. Misalkan V adalah ruang vektor. Pemetaan I : V V dengan I ( v ) = v adalah operator linier. Buktikan! 3. Misalkan V adalah ruang vektor dan k skalar. Buktikan bahwa pemetaan T : V V dengan T( v ) = k v adalah operator linier. 4. T adalah proyeksi ortogonal dari V pada W, dimana W adalah subruang berdimensi hingga dari V, T( v ) = proyW v . Apakah T merupakan transformasi linier? 5. Misalkan p = p(x) = c0 + c1x + c2x2 + ... + c nx n adalah polinom di Pn. Buktikan T : Pn Pn dengan T ( p ) = T(p(x)) = p(ax+b) = c0 + c1 (ax+b) + c2 (ax+b)2 + ... + cn (ax +b)n adalah operator linier. 6. Misalkan T : Mnn R, dengan T (A) = det (A). Mnn adalah himpunan matriks berukuran n x n dan R adalah himpunan bilangan riil. Apakah T merupakan transformasi linier?

Secara sederhana, jika v 1 , v 2 ,..., v n adalah vektor-vektor di V dan c1, c2, ...,cn adalah skalar-skalar, maka untuk membuktikan transformasi linier dapat dilakukan dengan

membuktikan bahwa T( c1 v 1 + c 2 v 2 + ... + c n v n ) = c1T ( v 1 ) + c 2T ( v 2 ) + ... + c nT ( v n ) Teorema 8.1.1 Jika T : V W adalah transformasi linier, maka:

a. T( 0 ) = 0 b. T(- v ) = - T( v ), " v V. c. T( v - w ) = T( v ) T( w ), " v , w V.

Jika T : V W adalah transformasi linier dan jika { v 1 , v 2 ,..., v n }adalah sebarang basis untuk V, maka bayangan T( v ) dari sebarang vektor v V dapat dihitung dari bayanganbayangan vektor-vektor basis, yaitu T( v 1 ),T( v 2 ), ..., T( v n ). Caranya adalah: 1. Nyatakan v sebagai kombinasi linier dari vektor-vektor basis, yaitu

v = c1 v 1 + c 2 v 2 + ... + c n v n

2. T( v ) = T( c1 v 1 + c 2 v 2 + ... + c n v n ) = c1T ( v 1 ) + c 2 T ( v 2 ) + ... + c n T ( v n ) Jadi, suatu transformasi linier ditentukan secara lengkap oleh bayangan-bayangan vektor vektor basis. Contoh: Misalkan basis S = { v 1 , v 2 , v 3 } basis di R3, dimana v 1 = (1,1,1), v 2 = (1,1,0) dan

v 3 = (1,0,0). T : R3 R3 operator linier ' T( v 1 ) = (2, -1,4), T( v 2 ) = (3,0,1) dan

T( v3 ) = (-1, 5,1). Cari formula untuk T(x1,x2,x3) dan kemudian hitung T(2,4,-1)! Jawab: Definisi : Jika T 1 : UV dan T2 : VW adalah transformasi linier, komposisi dari T2 dengan T1 dinotasikan dengan T2 o T1 adalah fungsi dengan formula (T2 o T 1)( u ) = T 2 (T1( u )), dimana u U. Perhatikan gambar 1 !

Gambar1 Teorema 8.1.2 Jika T 1 : UV dan T2 : VW adalah transformasi linier, maka (T2 o T 1) : UW juga transformasi linier.

Catatan : Komposisi transformasi linier dapat juga didefinisikan untuk lebih dari dua transformasi linier. 8.2. KERNEL DAN RANGE Definisi : Jika T : V W adalah transformasi linier, Kernel dari T (ker(T)) adalah himpunan semua vektor-vektor di V yang dipetakan ke 0 . Range dari T (R(T)) adalah himpunan semua vektor di W yang merupakan bayangan oleh T dari paling sedikit satu vektor di V. Contoh : 1. TA : R n R m adalah perkalian oleh matriks Amxn, atau AX = b. Ker(TA) = nullspace (ruang nol) dari A 3

R(TA) = ruang kolom dari A 2. T : V W adalah transformasi nol

Ker(T) = V dan R(T) = { 0 } 3. I : V V adalah operator identitas

Ker(T) = { 0 }dan R(T) = V 4. T : V V dengan T( v ) = 3 v Ker(T) = dan R(T) = 5. T : R2 R2, dengan T(x,y) = (2x - y, -8x + 4y) Ker(T) = dan R(T) = Teorema 8.2.1 Jika T : V W adalah transformasi linier, maka a. Kernel dari T (ker(T)) adalah subruang dari V b. Range dari T (R(T)) adalah subruang dari W Definisi : Jika T : V W adalah transformasi linier, maka dimensi dari range T disebut rank dari T atau rank(T), dimensi dari kernel T disebut nullitas dari T atau nullitas (T). Teorema 8.2.2 Jika A adalah matriks mxn dan TA : R n R m adalah perkalian oleh matriks Amxn, maka a. nullitas(TA) = nullitas dari A b. rank(TA) = rank (A) Teorema 8.2.3 Jika T : V W adalah transformasi linier dari ruang vektor V berdimensi n ke ruang vektor W, maka rank(T) + nullitas (T) = n.

8.3 INVERS TRANSFORMASI LINIER

Definisi : Suatu transformasi linier T : V W disebut satu-satu jika T memetakan setiap vektor yang berbeda di V ke vektor yang berbeda di W. Contoh : 1. TA : R n R n adalah perkalian dengan matriks A TA satu-satu jika dan hanya jika A invertible ( teorema 4.3.1) Untuk nomor 2-4, tentukan apakah T satu-satu ? 2. T : Pn P n+1 , dengan T( p ) = T(p(x)) = xp(x), 3. T : R2 R2, T(x,y) = (x + y, x - y) 4. T : R2 R2, T(x,y) = (0, 2x +3y) Teorema 8.3.1 Jika T : V W adalah transformasi linier, maka yang berikut ekivalen a. T satu-satu b. Ker(T) = { 0 } c. Nullitas (T) = 0 d. ika W = V maka R(T) = V Jika T : V W adalah transformasi linier dan satu-satu maka ada invers dari T, yaitu T-1. Jika T memetakan v V ke w = T( v ) W maka T-1 memetakan w = T( v ) W ke v V .

Perhatikan gambar 2 : T-1 (T( v )) = T-1( w ) = v T (T -1( w )) = T( v ) = w Domain dari T-1 adalah range dari T atau R(T).

Gambar2 Contoh : T : R3 R3, apakah T mempunyai invers ? Jika ya, cari T-1 ! 1. T(x1,x2,x3) = (x1+5x2+2x3, x1+2x2+x3, -x1+x2) 2. T(x1,x2,x3) = (x1+4x2-x3, x1+2x2+x3, -x1+x2) Teorema 8.3.3 Jika T1 : UV dan T2 : VW adalah transformasi linier satu-satu, maka a. (T2 o T 1) satu-satu b. (T2 o T 1) -1 = T1-1 o T2-1 Secara umum, ( Tn o Tn-1 o . o T2 o T1 )-1 = T 1-1 o T2-1 o o Tn-1-1 o Tn-1 8.4. MATRIKS DAN TRANSFORMASI LINIER Misalkan: V ruang vektor berdimensi n, B merupakan basis V W ruang vektor berdimensi m, B merupakan basis W T : VW Perhatikan bagan berikut !

T Vektor di V

T( x )

Vektor di W

Vektor di Rm Vektor di Rn A [ x ]B

[(T( x )]B

A[ x ]B = [T( x )]B A disebut matriks untuk T relatif terhadap basis B dan B. Bagaimana bentuk A? Misalkan B ={ u 1 , u 2 ,..., u n }, B = { v 1 , v 2 ,..., v m } .
a11 a Akan dicari A = 21 M a m1 a12 a 22 M am 2

K a1n K a2n sedemikian hingga A[ x ]B = [T( x )]B, " x V. M M L a mn

Sehingga persamaan A[ x ]B = [T( x )]B juga berlaku untuk u 1 , u 2 ,..., u n V. Berarti A[ u 1 ]B = [T( u 1 )]B A[ u 2 ]B = [T( u 2 )]B

M
A[ u n ]B = [T( u n )]B Tetapi 1 0 [ u 1 ]B = , [ u 2 ]B = M 0 sehingga
a11 a A[ u 1 ]B = 21 M a m1 a12 a 22 M am 2 K a1n K a2n M M L a mn

0 1 dan [ u n ]B = M 0

0 0 M 1

1 0 = M 0

a11 a 21 = [T( u 1 )]B M a m1

a12 a1n a a 22 A[ u 2 ]B = = [T( u 2 )]B , , A [ u n ]B = 2 n = [T( u n )]B M M a m 2 a mn

 Berarti, A = [T ( u 1 )] B ' | [T ( u 2 )] B ' | L | [T ( u n )] B ' = [T]B,B

Jadi matriks untuk T relatif terhadap basis B dan B adalah [T]B,B dengan sifat : [T]B,B [ x ]B = [T( x )]B

Jika T : VV operator linier dengan basis B = { u 1 , u 2 ,..., u n }, maka matriks T relatif terhadap basis B adalah
[T]B = [T ( u 1 )] B | [T (u 2 )] B | L | [T (u n )] B

dengan sifat [T]B[ x ]B = [T( x )]B Teorema 8.4.1 Jika T : R n R m adalah transformasi linier dan jika B dan B adalah basis standar untuk Rn dan Rm, maka [T]B,B = [T] Untuk x R n, maka [T] x = T( x )

T : V W adalah transformasi linier. Untuk mencari T( x ) perhatikan gambar 3.

Gambar 3 Langkah-langkah mencari T( x ) I. Cara Langsung II. Cara tidak langsung : 8

1. Cari matriks koordinat [ x ]B 2. Kalikan [ x ]B dengan [T]B,B dari kiri, diperoleh [T( x )]B 3. Berdasarkan [T( x )]B, cari T( x ) Contoh : 1. T : P2 P 3 adalah transformasi linier dengan T(p(x)) = x p(x) a. Cari matriks untuk T relatif terhadap basis standar B = { u 1 , u 2 , u 3 }dan B={ v 1 , v 2 , v 3 , v 4 } , dimana u 1 = 1, u 2 = x , u 3 = x2 ; v 1 = 1, v 2 = x, v 3 = x2 dan v 4 = x3. Jawab :
[T]B,B = [T ( u 1 )] B ' | [T ( u 2 )] B ' | [T ( u n )] B '

T( u 1 ) = T(1) = x, T( u 2 ) = T(x) = x2 dan T( u 3 ) = T(x2) = x3 0 1 [T( u 1 )]B = , [T( u 2 )]B = 0 0 0 1 [T]B,B = 0 0

0 0 dan [T( u 3 )]B = 1 0

0 0 sehingga 0 1

0 0 0 0 . 1 0 0 1

b. Hitung dengan cara tidak langsung T(2+x+2x2) Misalkan p = p(x) = 2+x+2x2

2 , [T] , [ [ p ]B = 1 B B p ]B = [T( p )]B 2

0 1 [T( p )]B = 0 0

0 0 0 0 1 0 0 1

0 2 1 = 2 1 2 2

[T( p )] = 0 + 2x + x2 + 2x3 = 2x + x2 + 2x3 c. Hitung dengan cara langsung [T( p )] = T(2+x+2x2) = x(2+x+2x2) = 2x+x2+2x3

x + 2x2 x1 1 2. T : R R , dengan T x = - x1 2 0
2 3

a. Cari matriks [T]B,B, dengan B = { u 1 , u 2 } dan B = { v 1 , v 2 , v 3 } dengan

1 2 3 1 - 2 u 1 = , u 2 = , v 1 = 1 , v 2 = 2 dan v 3 = 0 3 4 1 0 0

b. Apakah memenuhi formula [T]B,B [ x ]B = [T( x )]B , " x R2 ?

8.5. SIMILARITAS
x1 Misalkan T : R2 R2, dengan T x = 2

x1 + x 2 - 2 x + 4 x . 1 2

Jika B basis standar atau B = { e 1 , e 2 }maka matriks untuk T yang bersesuaian

dengan basis B adalah [T]B = [T ( e 1 )] B | [T ( e 2 )] B =

1 1 - 2 4 1 2 , maka matriks

1 Jika B = { u 1 , u 2 } bukan basis standar, dimana u 1 = , u 2 = 1

untuk T yang bersesuaian dengan basis B adalah

10

 [T]B = [T ( u 1 )] B ' | [T ( u 2 )] B ' =

2 0 0 3

Teorema 8.5.1 Jika B dan B adalah basis untuk ruang vektor V berdimensi hingga dan jika I : V V adalah operator identitas, maka [I]B,B adalah matriks transisi dari B ke B

Gambar 4 Permasalahan 1. Bagaimana cara mendapatkan matriks untuk T dalam bentuk yang paling sederhana ? Pilih basis untuk V yang membuat matriks untuk T sesederhana mungkin, yaitu pertama cari matriks untuk T yang bersesuaian dengan sebarang basis, misal basis standar. Kemudian basis tersebut diubah sedemikian hingga matriks untuk T menjadi lebih sederhana. 2. Jika B dan B adalah basis untuk ruang vektor berdimensi hingga V dan T: V V adalah operator linier, apa hubungan antara [T]B dengan [T]B ? Perhatikan gambar 5!

Gambar 5 T = IoToI [T]B ,B = [I o T o I] B ,B = [I]B ,B [T]B, B [I]B,B atau [T]B = [I]B ,B [T]B[I]B,B

11

Misalkan P adalah matriks transisi dari B ke B atau P = [I]B,B, maka [I]B ,B = matrik transisi dari B ke B = P-1. Jadi, [T]B = P-1 [T]B P Contoh:

x1 x1 + x 2 1. Misalkan T : R2 R2 dengan T x = - 2 x + 4 x dengan basis standar . 1 2 2

1 1 Maka [T]B = . - 2 4
1 Misalkan B={ u 1 ' , u 2 ' } dengan u 1 = , u 2 = 1

1 2 , maka matriks transisi dari B

ke B = P adalah P = [ u 1 ' ] B | [ u 2 ' ] B =

1 1 2 - 1 -1 1 2 dan P = - 1 1

2 - 1 1 1 1 1 2 0 Sehingga [T]B = P-1 [T]B P = = . - 1 1 - 2 4 1 2 0 3

x1 2. Misalkan T : R2 R2 dengan T x = 2
x1 - x 2 2 2 x + 4 x . Cari sebuah basis untuk R 2 1

sedemikian hingga matriks untuk T diagonal ! Definisi : Jika A dan B adalah matriks bujur sangkar, B dikatakan similar dengan A jika terdapat matriks P yang invertibel sedemikian hingga B = P-1AP. Definisi : Suatu sifat dari matriks bujur sangkar disebut similarity invariant atau invarian di bawah similaritas jika sifat tersebut dimiliki oleh dua matriks yang similar. Tabel 1. Similarity invariant : 1.Determinan 2. Invertibility 3.Rank A dan P-1AP mempunyai determinan yang sama A invertible jika dan hanya jika P-1AP invertible A dan P-1AP mempunyai rank yang sama

12

4. Nullitas 5. Trace 6. Polinomial karakteristik

A dan P-1AP mempunyai nullitas yang sama A dan P-1AP mempunyai trace yang sama A dan P-1AP mempunyai polinomial karakteristik yang sama A dan P-1AP mempunyai nilai eigen yang sama Jika l nilai eigen dari A dan P-1AP, maka ruang eigen dari A yang berkaitan dengan l dan nilai eigen dari P-1AP yang berkaitan dengan mempunyai dimensi yang sama.

7. Nilai eigen 8. Dimensi ruang eigen

Nilai Eigen dari Operator Linier Misalkan T: V V adalah operator linier. Misalkan $ (ada) x 0 V ' T x = l x , maka: Sifat : Jika B sebarang basis untuk ruang vektor V, maka: 1. Nilai-nilai eigen dari T = nilai-nilai eigen dari [T]B 2. Vektor x adalah vektor eigen dari T jika dan hanya jika vektor [ x ]B adalah vektor eigen dari [T]B. Soal-soal: 1. Misalkan T : R2 R2 pemetaan dengan T(x,y) = (2x-y, -8x +4y). a. Apakah T satu-satu ? Jelaskan! b. Apakah ( -3,11) anggota dari range T? Jelaskan ! c. Apakah (1,2) anggota kernel T ? Jelaskan ! d. Cari matriks transformasinya

l disebut nilai eigen dari T

x adalah vektor eigen untuk T yang bersesuaian dengan l .

Ker ( l I T) = ruang eigen dari T yang bersesuaian dengan l .

13

e. Perlihatkan bahwa setiap titik pada bidang xy dipetakan ke garis y = 2. B = {(1,2), (2,3)} dan B = {(1,3),(1,4)} adalah basis-basis untuk R2. Jika T : R2 R2 pemetaan dengan T(x,y) = (2x-3y, x + y), carilah : a. Matriks standar dari T b. Matriks transformasi [T]B c. Matriks transformasi [T]B d. Tunjukkan bahwa [T]B dan [T]B similar. 3. T1 : P1 P2 transformasi linier sehingga T1(p(x)) = xp(x). T2 : P2 P2 sehingga T2(p(x)) = p(2x+1) B = {1,x} adalah basis P1 dan B = {1,x,x2} adalah basis P2. a. Tunjukkan bahwa T2 adalah operator linier b. Carilah [T2]B, [T1]B,B dan [T2 o T1]B,B

1 x. 4

14